视觉基础模型的空间状态表征探针研究

视觉基础模型可见场景读得准，不代表能维持并预测空间状态。

资讯摘要

论文研究视觉基础模型是否具备持续的空间状态表征，在静态室内环境的流式第一人称观测下，用冻结特征探针评估十种表征的四级空间能力：空间结构、物体持续性、预测性空间更新与可操作性。作者报告能力画像随任务、网络层和前缀长度变化，可见场景的强读出并不保证物体持续性或未来特征检索准确；物体持续性与可操作性依赖相机位姿读出，特征预测依赖可见场景读出。

要点速读

1. 论文在十种表征上使用冻结特征探针，按空间结构、物体持续性、预测性空间更新、可操作性四级评估空间能力。
2. 作者报告强可见场景读出不能保证物体持续性或未来特征检索准确，且真实特征上训练的空间读取器不能原样迁移到预测特征。
3. 作者报告目标依赖的候选选择未建立可靠的连续动作效用：预测动作会随目标变化，但给出正确目标并不能稳定改善进展。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。