研究人员推出 m2sv，一个旨在测试视觉语言模型（VLM）空间推理能力的新基准。该基准挑战模型将俯视地图视图与以自我为中心的街景图像进行匹配，这项任务对当前的 VLM 来说很困难。尽管多模态 AI 取得了进展，表现最佳的 VLM 在 m2sv 上的准确率仅为 65.2%，远低于人类标注者。 AI
影响 突出了视觉语言模型在几何对齐和推理方面存在的持续不足，激励了未来的研究。
排序理由 该集群包含一篇介绍新 AI 模型评估基准的研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2601.19099v2 Announce Type: replace-cross Abstract: Vision--language models (VLMs) achieve strong performance on many multimodal benchmarks but remain brittle on spatial reasoning tasks that require aligning abstract overhead representations with egocentric views. We introd…