DeepSeek 視覺原語框架突破多模態空間瓶頸
DeepSeek 在 GitHub 發布多模態大模型技術報告，提出「基於視覺原語的思考」框架，將點、邊界框等轉為推理基本單位，解決空間参照瓶頸。克服語言模糊性於複雜布局，实现精準空間推演。緊湊模型在計數及空間基準上匹敵 GPT-4o、Claude-Sonnet、Gemini。
Search
Tag: #spatial-reasoning10 results
🔬
谷歌最強具身大腦發布！波士頓機器狗瞬間人模人樣
谷歌發布Gemini Robotics，其最強具身AI大腦。第三代模型專攻空間推理，讓波士頓動力學機器狗瞬間展現人模人樣行為。
MetaSpace 揭露具身 AI 隱藏的空間認知失誤
MetaSpace 是一套變形測試框架，用於評估具身代理人在執行任務時是否具備穩健的空間認知能力。該框架在最先進的 MLLM 驅動代理中偵測出 90,422 個空間錯誤；這些代理的 Spatial Cognition 分數介於 0.44 至 0.52，遠低於人類的 0.96。
修復目標導向世界模型中的指令洩漏問題
研究人員發現目標導向的世界模型常出現「指令洩漏」現象，模型會直接從指令中提取答案而非真正理解空間關係。透過將目標從動態預測中分離並監督讀取路徑，可恢復模型真正的感知能力。
🔬
Gemini Robotics-ER 1.6 強化具身推理
DeepMind 發布 Gemini Robotics-ER 1.6 以驅動真實世界機器人任務。它透過強化空間推理和多視圖理解來提升具身推理。這實現了更好的自主機器人效能。
🔬
VLMs 看不見方塊：空間推理的文字偏誤
視覺語言模型在文字網格轉錄達 84% F1，但在相同方塊網格僅 29-39% F1，經相同編碼器。此差距橫跨 Claude Opus、ChatGPT 5.2、Gemini 3 Thinking，各有獨特失效。暴露依賴 OCR 而非真正空間視覺。
Spatial Atlas：計算基礎空間推理
Spatial Atlas 引入計算基礎推理 (CGR)，在語言模型生成前透過確定性計算解決子問題。它處理 FieldWorkArena 的多模態空間問答及 MLE-Bench 的機器學習競賽，使用場景圖與模型路由。在基準上實現競爭性準確率並具高度可解釋性。
NeuroHex：腦啟發六角座標系統用於適應性 AI
NeuroHex 推出受腦部格子細胞啟發的六角座標系統，用於適應性 AI 的高效世界模型。它實現低成本空間運算，如平移、旋轉和距離計算，並具備完整的 60° 對稱性。OSM2Hex 工具處理 OpenStreetMap 資料，將幾何複雜度降低 90-99%，適用於導航任務。
華為小藝管家 6.0：接入 AI 大模型，3D 方位控燈「說哪亮哪」
華為鴻蒙智家小藝管家 6.0 接入大模型，實現 3D 空間設備控制，如「打開書櫃右邊的燈」。具備深度語義理解、悄悄話模式、雜訊辨識喚醒，以及一句話建立場景的 AI 智能體功能。已購用戶可 OTA 升級。
MathSpatial Exposes MLLMs' Spatial Reasoning Gap
MLLMs excel in perception but fail mathematical spatial reasoning, scoring under 60% on tasks humans solve at 95% accuracy. MathSpatial introduces a framework with MathSpatial-Bench (2K problems), MathSpatial-Corpus (8K training data), and MathSpatial-SRT for structured reasoning. Fine-tuning Qwen2.5-VL-7B achieves strong results with 25% fewer tokens.