跳到正文
arXiv · 机器人与计算机视觉· Junyoung Hong, Minsu Kim, Jaehyun Kim, Jeonghwan Cho, Jiwoo Lee, Seon Joo Kim·· 4 小时前AI 评分53

Thinking in Streams:基于 VLM 的主动空间推理与基准评测

Thinking in Streams: Proactive Spatial Reasoning with Vision-Language Models

AI 导读

该研究针对流式视频中维持和更新空间知识的挑战,提出了 ProSpace-VLM 模型及 ProSpace-Bench 评测基准。ProSpace-VLM 通过将因果估计的几何编码注入中间层并利用 KV cache 作为空间记忆,实现了高效的主动空间推理。实验显示该模型在及时响应和正确放弃判断方面优于微调基线,揭示了当前 VLM 与人类在空间认知上的差距。

来源:arXiv · 机器人与计算机视觉 · arxiv.org