arXiv · 评测
SPACENUM 重新审视 VLM 空间数值理解能力
SPACENUM 是一项针对视觉语言模型空间数值理解能力的评测研究。作者发现，尽管这些模型能够生成类似动作幅度、空间坐标等数值，但这些输出是否真正基于空间理解仍存疑问。这项工作对 VLM 在具身环境中的可信使用提出了基础性挑战。
- 域名
arxiv.org- 评分
- 4 · 重要更新
- 发布
- 2026-05-22
导读
这条暂时没有深度导读，点上方「访问项目本体」直接到源页面查看。
原文摘要
Vision-Language Models (VLMs) are increasingly deployed in embodied environments, where they need produce numerical outputs such as action magnitudes and spatial coordinates. Although these numbers appear meaningful, it remains unclear whether these numerical outputs are genuinely grounded in spati…