标题：李飞飞谢赛宁新作「空间推理」：多模态大模型性能突破关键所在

量子位 发自 凹非寺

李飞飞与谢赛宁再发新成果，提升多模态大语言模型的空间思维。当前最先进模型在空间认知上仍逊色于人类，约71%错误源于空间推理不足。思维链等常见语言提示技术未能改善模型表现，甚至降低性能。

研究提出VSI-Bench基准测试集，涵盖288个真实场景视频及5000多个问答对。结果显示，人类在VSI-Bench上平均准确率达79%，而最佳闭源模型Gemini-1.5 Pro仅48.8%。视频输入对模型性能至关重要，局部空间理解优于全局理解。

研究还发现，认知地图能有效提升模型在相对距离任务上的准确率。团队成员包括李飞飞、谢赛宁及四位共同一作：Jihan Yang、Shusheng Yang、Anjali Gupta和Rilyn Han。