arXiv · 机器人与计算机视觉· Jinchang Zhang, Guoyu Lu·· 2026-10-05精选AI 评分78
从可报告的空间事实到可用状态:多模态大语言模型的局限与改进
Seeing, Saying, but Not Using: From Reportable Spatial Facts to Usable States in Multimodal Large Language Models
AI 导读
论文指出多模态大语言模型虽能正确陈述空间事实,却未必能在后续推理中有效利用该状态。作者提出 SpaceConflict 基准(含 23,196 个输入),涵盖局部绑定、关系组合及变换下的状态判断等任务,揭示模型在驱动变换时存在可用性差距。
推荐理由
提出 SpaceConflict 基准揭示多模态模型存在‘可见可述但不可用’的差距,并引入 OSS 方法提升状态利用能力。
来源:arXiv · 机器人与计算机视觉 · arxiv.org