SpaceCast-Bench：评估视觉语言模型的预测性空间推理

研究团队发布 SpaceCast-Bench，称其为首个直接评估“预测性空间推理”的基准，基于 observe-transform-infer 框架，从 182 个真实场景生成 3,862 道题，覆盖静态感知、局部预测、全局预测三个层级共 16 类任务。测试 21 个模型显示：最强模型仅 58.0%，人类为 87.2%，空间专精模型接近随机水平。在程序生成数据上微调后，Qwen3-VL-4B 从 34.0% 提升到 65.7%。

此前空间推理基准多只考察对输入中已可见关系的感知，而该基准把评估推进到“预测干预后未观测到的结果”。它同时暴露出模型与人类之间接近 30 个百分点的差距，以及空间专精模型接近随机水平的现状，为判断模型是否具备真实空间智能提供了更明确的分层标尺。

该基准用观察—变换—推断的流程构造任务：模型先从观测中重建场景，再设想某种干预如何改变空间状态，最后对未看见的结果做关系推断。三个层级分别要求场景理解、空间状态更新和对未观测结果的关系推理。消融分析显示，桥接视角对整合分布式观测关键，显式 3D 证据比生成的结果图像或视频更可靠地帮助模型。

对做机器人、导航、AR 或具身 agent 的团队，该结果提示现有 VLM 在需要预判动作后果的场景中并不可靠，不能只依赖静态感知评测做选型。程序化生成数据可显著提升小模型表现并迁移到域外基准，意味着用合成数据微调是相对低成本的改进路径；同时应在流程中优先提供 3D 证据与桥接视角，而非生成式图像或视频。

• 面向机器人、导航类产品，用 SpaceCast-Bench 的三个层级做上线前的空间推理回归测试。
• 参考其程序化生成方式构造自有场景数据，对 4B 级 VLM 做微调以降低推理成本。
• 在需要多视角整合的产品中优先接入显式 3D 证据，替代生成式结果图像或视频。
• 为具身 agent 增加“干预后结果预判”的专项评测指标，纳入模型选型流程。

• SpaceCast-Bench 的 3,862 道题与 182 个场景是否公开，评测能否被第三方复现？
• 微调后 Qwen3-VL-4B 的 65.7% 与人类 87.2% 之间仍存差距，瓶颈在数据规模还是模型结构？
• 桥接视角为何关键，能否在不增加采集成本的前提下用合成视角替代？
• 该基准的成绩与真实机器人或导航任务表现之间的相关性是否已被验证？