密室逃脱成AI新考场，通关率不足50%，暴露空间推理短板丨清华ICCV25 清华大学团队受密室逃脱游戏启发，提出EscapeCraft——一个3D密室逃脱环境，用于评估多模态大模型（MLLMs）在复杂任务中的推理和决策能力。该研究已入选ICCV 2025。 EscapeCraft是一个沉浸式互动环境...

近日，蚂蚁技术研究院联合中科院自动化所和香港中文大学开源ViLaSR-7B大模型，实现了AI的空间思考能力，在多个空间推理任务中达到新SOTA。该模型通过‘Drawing to Reason in Space’范式，让AI像人类一样‘边画边想’，在迷宫导航、视频空间推理等5个基准测试中平均提升18.4%，尤其在VSI-Bench上达45.4%，超Gemini-1.5-Pro。研究采用三阶段训练框架：冷启动训练建立基础能力，反思拒绝采样增强自我修正，强化学习优化绘图操作效率。ViLaSR-7B展现出类人的空间推理策略，如参考物度量推理和跨帧对象追踪，提升推理可解释性和可控性。此成果为机器人导航等领域奠定基础，预示AI向通用空间智能迈进的重要一步。

大模型掌握人类空间思考能力！三阶段训练框架学会“边画边想”，5个基准平均提升18.4% “边看边画，边画边想”，让大模型掌握空间思考能力，实现空间推理任务新SOTA。 蚂蚁技术研究院自然语言组联合中科院自动化所和香港中文大学开源ViLaSR-7B。它在迷宫导航、静态图像理解、视频空间推理等5个基准上...

标题：首创像素空间推理，7B模型领先GPT-4o，让VLM能像人类一样「眼脑并用」 视觉语言模型（VLM）正在从「感知」迈向「认知」的关键阶段。OpenAI的o3系列通过「图像思维」赋予模型标注视觉区域的能力，展现了多模态交互的新潜力。然而，现有VLM大多依赖文本token间接处理视觉信息，难以应对...

标题：GPT-4o能拼好乐高吗？首个多步空间推理评测基准：闭源模型领跑 上海AI Lab投稿 | 量子位公众号 QbitAI GPT-4o会画吉卜力、会「自拍」，但能拼好乐高吗？多模态大语言模型（MLLMs）是否真正具备空间结构的理解与推理能力？现有模型在多步空间推理任务中的表现如何？ ...

标题：MetaSpatial：用50条数据提升三维空间推理能力 在三维空间理解任务中，让视觉语言模型生成合理布局面临挑战，现有模型虽能识别物体，但缺乏真实空间建模。为解决此问题，西北大学研究人员提出MetaSpatial框架，通过强化学习策略显著提升模型的空间推理能力。 MetaSpatia...

标题：推理模型新路线开源！抛弃思维链，不用人类语言思考 开源推理大模型新架构来了，采用与DeepSeek-R1/OpenAI o1截然不同的路线：抛弃长思维链和人类语言，直接在连续的高维潜空间用隐藏状态推理，可自适应地花费更多计算来思考更长时间。 例如问题：Claire每天早餐都会做一个3个鸡蛋的煎...

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。