计算机科学 > 计算机视觉与模式识别
[提交于 2025年9月2日
(v1)
,最后修订 2025年9月4日 (此版本, v2)]
标题: 理解空间是火箭科学——只有顶级推理模型才能解决空间理解任务
标题: Understanding Space Is Rocket Science -- Only Top Reasoning Models Can Solve Spatial Understanding Tasks
摘要: 我们提出RocketScience,一个开源的对比视觉语言模型基准,用于测试空间关系理解能力。 它由完全新的真实世界图像-文本对组成,主要涵盖相对空间理解和物体顺序。 该基准设计为对人类非常容易,但对当前一代的视觉语言模型来说很难,并且通过实证得到了验证。 我们的结果表明,开源和前沿商业视觉语言模型在空间关系理解方面存在显著不足,而推理模型的表现却出人意料地高。 此外,我们进行了解耦分析,以分离基于思维链的模型中物体定位和空间推理的贡献,并发现该基准上的性能受限于空间推理,而非物体定位能力。 我们以CC-BY-4.0许可证发布数据集,并在以下链接提供评估代码:https://github.com/nilshoehing/rocketscience
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.