KilometerVision：VLM 大规模空间智能的新前沿基准

arXiv 上出现的论文 KilometerVision 提出首个面向真实视频的地理布局理解基准，覆盖最远约 1km 距离。研究受认知科学启发，按人类空间认知的层级阶段评测：以地标锚定、通过路线连接地标、再整合为全局心理地图。实验显示，当前 VLM 几乎不依赖路径积分或几何测量知识，而是靠二维视觉识别与文本匹配绕开复杂空间推理。基准已公开。

此前 VLM 的空间能力评测多集中在单图、室内或短距离场景，缺少对公里级地理布局与路线整合的检验。该基准把评测从二维识别推进到真实视频中的大尺度空间认知，并给出模型依赖视觉识别与文本匹配、而非真正空间推理的实证结果。

基准借鉴认知科学的分层框架，把人类空间认知拆成地标锚定、路线连接与全局心理地图三个阶段，据此设计任务与指标。若模型在这些任务上仍只靠二维识别和文本匹配，说明其空间能力来自表面线索关联，而非路径积分或几何构图的内部表征，因此距离一拉长误差就会累积。

对做视觉导航、地图理解、机器人或 AR 的产品团队，这意味着不能把 VLM 的二维识别表现直接当作大尺度空间能力；涉及路线规划、跨地标定位的功能需要引入显式几何或路径积分模块，并在公里级真实视频上单独验证，可能增加评测与数据成本。

• 在导航、机器人或 AR 产品的评测流程中引入 KilometerVision 式公里级视频任务，区分二维识别与真实空间推理。
• 针对地标锚定与路线连接环节开发显式几何或路径积分模块，与 VLM 组合使用以弥补长距离误差累积。
• 为依赖空间理解的产品建立分级验收标准，按锚定、路线、全局地图三个阶段分别设定通过门槛。

• 该基准具体包含多少视频、覆盖哪些地理场景与任务形式，证据未给出。
• 实验覆盖了哪些具体 VLM 及其在各阶段的具体得分，证据未披露。
• 论文提出的改进方法或基线提升幅度，证据中未提及。
• 基准公开后是否有独立复现或第三方评测结果，尚不可知。