arXiv · 机器人与计算机视觉· J. Zach Gazak, Ryan Swindle, Justin Fletcher·· 6 天前精选AI 评分78
Sophon:一种用于检验视觉语言模型空间推理能力的程序化诊断工具
Sophon: A Procedural Diagnostic for Spatial Reasoning in Vision-Language Models
AI 导读
本文介绍并开源了 Sophon,这是一种基于成对彩色点云刺激的程序化诊断工具,涵盖一维线性、二维笛卡尔和极坐标三种坐标系及四种问题类型。研究发现在剥离先验知识后,主流开源 VLM 在空间基准测试上表现接近随机猜测,而前沿模型和人类则能保持较高准确率。
推荐理由
该工作开源了针对 VLM 空间推理能力的程序化诊断工具,并揭示模型存在路由瓶颈而非能力缺失。
来源:arXiv · 机器人与计算机视觉 · arxiv.org