MMSI-Video-Bench

ConsiSpace框架提升了LLM的视频空间推理能力

研究人员推出ConsiSpace，一个旨在增强多模态大语言模型（MLLMs）视频空间推理能力的新框架。该框架通过关注几何一致性，解决了MLLMs当前以语义为中心的局限性。ConsiSpace包含一个几何一致性记忆，并利用统一的一致性自监督强化学习来改进空间证据聚合和跨视图稳定性。在VSI-Bench、OSI-Bench和MMSI-Video-Bench等基准测试上的实验表明，与现有基线相比，平均得分提高了12.6分，取得了显著的改进。