近日，浙江大学庄越挺团队提出空间智能新基准SpaceCast-Bench，专评视觉语言模型（VLM）的“预测性空间推理”能力，即预测物体移动或场景旋转后的新空间关系。研究评测21个VLM发现，最高准确率仅58.0%，远逊于人类的87.2%。反直觉的是，6个空间专项模型准确率仅25.7%至29.1%，接近随机水平，竟不如通用模型。研究指出，现有专项训练未能有效提升模型的全局空间表示与状态更新能力。此外，提供显式3D信息可显著提升通用模型推理能力，而生成式画面帮助有限。该研究为具身智能发展指明新方向。