Probing Spatial State Representations in Visual Foundation Models 研究视觉基础模型的空间表征能力
该研究通过冻结特征探针,在静态室内环境的流式自我中心观测下,评估了十种视觉基础模型在空间结构、物体持久性、预测更新及可操作性四个层面的表现。结果显示强场景读出并不保证准确的物体持久性或未来特征检索,且基于真实特征的读取器无法直接迁移至预测特征。这些发现表明需超越解码能力,进一步验证信息是否能在观测外维持、进行预测更新并用于目标导向行动。