# 浙大SpaceCast-Bench评测：VLM预测性空间推理最高准确率仅58%

> 原文链接：https://robotics.hellobike.com/news/2026-11-13-vlm-21-58-0
> 频道：news | 更新日期：2026-11-13 | 标签：auto, rss, leiphone
> 核心摘要：浙大团队发布SpaceCast-Bench基准，评测21个VLM在干预后空间关系预测能力。结果显示最高准确率仅58.0%，6个空间专项模型得分接近随机水平，显式3D元数据比生成式图像更能提升推理性能。

# 浙大SpaceCast-Bench评测：VLM预测性空间推理最高准确率仅58%

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[VLM 在预测性空间推理上的缺口还有多大？21 个模型，最高准确率仅 58.0%](https://www.leiphone.com/category/academic/Ma9dfYJE9ifGDZ9I.html)（雷峰网）

## 核心内容

浙江大学庄越挺团队提出SpaceCast-Bench基准，专门评估视觉语言模型（VLM）的预测性空间推理能力，即在不提供变换后画面的情况下，根据空间干预推断新状态。该基准包含182个真实室内场景、3862道问题及16类任务，覆盖静态感知、局部预测与全局预测三个层级。评测显示，21个主流VLM中最高准确率仅为58.0%，较人类87.2%的水平差距显著；6个空间专项模型总体准确率介于25.7%至29.1%之间，不仅低于闭源与通用开源模型，甚至接近25.9%的随机基线。

实验揭示了空间智能的关键瓶颈与优化路径。空间专项模型在附着关系推理上表现极差（如SenseNova-SI-1.2仅13.4%），且Chain-of-Thought提示未能带来稳定提升。相比之下，输入显式3D信息效果显著：文本形式3D metadata使闭源模型平均准确率提升30.7个百分点，而依赖Qwen-Image-Edit等生成的“想象”画面因物体缺失或形变导致80.3%的错误关联。此外，多视角整合测试表明，缺乏桥接视角会导致世界参考系方向判断准确率从39.9%降至34.6%，证实了连续视觉观测对构建完整空间表征的必要性。

## 关键看点

- **基准规模**：SpaceCast-Bench涵盖182个真实室内场景与3862道问题，测试observe–transform–infer三阶段推理，填补了动态空间预测评测空白
- **模型短板**：6个空间专项模型在全局预测与附着关系任务上失效，准确率跌至13.4%~16.1%，暴露现有训练未有效建立全局空间表示更新能力
- **增强策略**：显式3D metadata使闭源模型准确率提升30.7个百分点，优于生成式证据；后者因透视不一致与物体形变引入额外噪声，错误归因率超80%
- **视角依赖**：移除连接分散区域的桥接视角后，世界参考系方向判断准确率下降5.3个百分点，验证多视角连续性是VLM整合空间信息的关键约束

## 工程与产业观察

该研究揭示了具身智能从静态感知迈向动态规划的算法鸿沟。当前VLM缺乏物理因果与世界模型支撑，仅靠2D像素难以完成操作后的状态预测。工程落地应优先引入结构化3D先验而非依赖视频生成幻觉，同时需在训练数据中强化物体联动与全局变换样本，以解决空间专项模型在真实交互中的推理坍塌问题。
:::

## 原始参考来源 (Sources)

- [雷峰网：VLM 在预测性空间推理上的缺口还有多大？21 个模型，最高准确率仅 58.0%](https://www.leiphone.com/category/academic/Ma9dfYJE9ifGDZ9I.html)