VLM 预测性空间推理能力缺口21 款模型最高准确率仅 58.0%

在浙大庄越挺团队推出的 SpaceCast-Bench 评测里，一共测试 21 款主流 VLM，结果显示最强模型预测性空间推理准确率只有 58.0%，和人类 87.2% 的基准水平差距明显，就连专门做空间方向的专项模型表现更差，成绩基本接近随机猜测，说明现在的视觉语言模型看懂静态画面不难，但很难主动推演物体移动、场景变化之后的未知空间状态。出现这个缺口，核心是现有 VLM 大多擅长识别画面里已经存在的内容，缺少稳定的 3D 场景内部建模能力，没法模拟干预动作带来的连锁空间变化；很多空间专项训练只针对静态空间识别，迁移不到 “预判变化结果” 这类推演任务，同时训练数据里缺少大量 “先观察、再变换、再推理” 的成对样本。整套评测流程分成三步，第一步让模型观察原始场景图像，第二步给出干预指令，比如移动物体、旋转视角，第三步要求模型推断看不到的新空间关系，全程不给变换后的画面。从最终结论来看，单纯堆通用模型参数或者做静态空间微调，很难补齐预测性空间推理短板，针对性数据集微调可以小幅抬升分数，但距离可靠落地在机器人、具身智能场景还有很长距离。

21 款被测 VLM 分组与成绩简表

SpaceCast-Bench 任务分层清单

• 静态感知层：识别图里物体位置、遮挡关系，多数模型完成度尚可
• 局部预测层：单一物体被改动，预判局部空间状态变化
• 全局预测层：多个物体联动变化，推导整体场景新关系，是当前最大难点

目前可行的优化路径

1. 补充 observe–transform–infer 范式的专项训练数据
2. 在模型内部增加显式 3D 场景记忆、状态更新模块
3. 使用思维链、分步空间推演提示词辅助推理
4. 引入 3D 重建、点云等外部工具辅助空间建模

【相关 FAQ】

问题 1：VLM 预测性空间推理能力缺口评测中，21 款模型最高准确率是多少？

回答 1：在这套 VLM 预测性空间推理评测里，21 款模型最高准确率为 58.0%，远低于人类 87.2% 的水平。

问题 2：VLM 预测性空间推理是什么，和普通空间识别有什么区别？

回答 2：VLM 预测性空间推理是看完原始场景，在不给变化后画面的前提下，预判物体被操作后的新空间关系；普通空间识别只需要看懂当前画面里已经存在的位置信息。

问题 3：参与 VLM 预测性空间推理测试的空间专项模型为什么成绩很差？

回答 3：这批 VLM 预测性空间推理测试中的空间专项模型，训练偏向静态空间理解，能力没法迁移到动态推演任务，分数接近随机猜测。

问题 4：用来测出 VLM 预测性空间推理缺口的评测基准叫什么？

回答 4：用来评估 VLM 预测性空间推理、完成 21 款模型测试的基准是 SpaceCast-Bench，由浙江大学团队提出。

【参考资料】

[2026-11-13]（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%）雷峰网

[2026-11-06]（AI 会预测未来吗？一道机器人都答不好的空间推理题）搜狐

[2026-10-20]（空间专项模型反而不如通用模型？浙大庄越挺团队提出空间智能新基准）AI 科技评论

[2026-10-12]（SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models）arXiv

【免责声明】

本文内容为该 VLM 预测性空间推理相关学术评测资讯整理，模型准确率、评测条件仅针对 SpaceCast-Bench 基准，不同测试集下模型表现会发生变化；内容不代表所有 VLM 产品的综合能力，不构成选型、商用落地建议，相关技术细节以论文原文和官方报告为准。