普林斯顿团队发布空间智能基准SSoN：最强视觉模型跨视角答题仅39.7%
要点
普林斯顿大学AI Lab牵头的研究团队于10月9日将空间智能基准论文提交至arXiv，给视觉语言模型出了一张名为Same Space or Not（SSoN）的考卷：四张静态室内图像中，三张来自同一个未改动的三维场景，一张来自编辑后的变体，模型既要找出那张"不属于同一空间"的图…
普林斯顿大学AI Lab牵头的研究团队于10月9日将空间智能基准论文提交至arXiv，给视觉语言模型出了一张名为Same Space or Not（SSoN）的考卷：四张静态室内图像中，三张来自同一个未改动的三维场景，一张来自编辑后的变体，模型既要找出那张”不属于同一空间”的图，还要说清矛盾出在哪里。基准共1000道题、4000张渲染视图，覆盖7个室内场景来源和交换、细节变化、镜像、删除、移动、旋转6类3D编辑，参与团队还包括西北大学、宾夕法尼亚大学、Adobe Research与卡尔顿学院的研究者。
成绩单上的落差相当刺眼。完整1000题上，人类准确率达到83.3%；受测的6个视觉语言模型中，最强的GPT-6 Astra Pro只有39.7%，其余5个全部低于25%的随机基线。再进一步要求”选对且解释成立”，最强模型降到34.9%——合计1368次正确选择里，404次拿不出有效证据支持。分类别看，交换和细节变化是模型的相对强项，移动和旋转则是集体盲区：旋转题最强模型仅得9.54%，人类达到76.01%。连17个非生成式视觉编码器按”挑出最不相似一张”的思路作答，成绩也只在16.9%至21.7%之间，全部低于随机线。
研究团队随后在固定的100题诊断集上测试了三种”补课”方式，这组题的基线准确率只有24%。引导模型比对参照物并告知6类编辑知识的组合提示，把成绩提到48%；让模型实际执行三维重建再检查相机视角，得到47%；直接提供真值相机内参外参后，准确率升至61%，有效解释得分达到48%，移动类成绩更从20%跃升至70%。不过即便如此，没有任何一种干预让模型答对一半以上，旋转题在拿到相机参数后也只有38.89%。
空间一致性到底能不能练出来？团队对Qwen2.5-VL-7B做了对照微调：在201道来自未见房间的保留测试题上，零样本成绩为21.89%，仅用答案监督训练后升至33.33%，同时加入推理依据监督达到41.79%，其中旋转类从32.84%提高到58.21%。论文同时如实标注了局限：推理依据带来的额外增益在统计上仅具暗示性，配对检验p值为0.064，且每位人类参与者对每题只作答一次，解释质量未计入人类成绩。
SSoN把动态交互与动作控制剥开，单独检验”换一个视角还能不能理解同一个房间”这块具身智能的地基。数据集、代码与微调权重已按CC BY-NC 4.0许可公开，题目从上万个开发候选中经自动检查与人工核验筛出，以排除视觉捷径和多解。83.3%对39.7%的差距说明，在AI走进物理世界之前，跨视角的空间理解仍是必须补上的一课。
