論文の概要: Imagine in Space: Exploring the Frontier of Spatial Intelligence and Reasoning Efficiency in Vision Language Models

• arxiv url: http://arxiv.org/abs/2511.13782v1
• Date: Sun, 16 Nov 2025 03:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.717091
• Title: Imagine in Space: Exploring the Frontier of Spatial Intelligence and Reasoning Efficiency in Vision Language Models
• Title（参考訳）: 空間における想像:視覚言語モデルにおける空間知能と推論効率のフロンティアを探る
• Authors: Xiaoxing Lian, Aidong Yang, Jun Zhu, Peng Wang, Yue Zhang,
• Abstract要約: 空間的推論は人間の認知の基本的な構成要素です 現在の大規模言語モデル(LLM)と視覚言語モデル(VLM)は、論理的推論、問題解決、意思決定にまたがる顕著な推論能力を示している。 我々は空間状態の内部シミュレーションである想像力が空間世界モデルにおける支配的な推論機構であると仮定する。
• 参考スコア（独自算出の注目度）: 23.12717700882611
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language models (LLMs) and vision language models (VLMs), such as DeepSeek R1,OpenAI o3, and Gemini 2.5 Pro, have demonstrated remarkable reasoning capabilities across logical inference, problem solving, and decision making. However, spatial reasoning:a fundamental component of human cognition that includes mental rotation, navigation, and spatial relationship comprehension remains a significant challenge for current advanced VLMs. We hypothesize that imagination, the internal simulation of spatial states, is the dominant reasoning mechanism within a spatial world model. To test this hypothesis and systematically probe current VLM spatial reasoning mechanisms, we introduce SpatiaLite, a fully synthetic benchmark that jointly measures spatial reasoning accuracy and reasoning efficiency. Comprehensive experiments reveal three key findings. First, advanced VLMs predominantly rely on linguistic representations for reasoning and imagination, resulting in significant deficiencies on visual centric tasks that demand perceptual spatial relations and 3D geometry transformations such as mental rotation or projection prediction. Second, advanced VLMs exhibit severe inefficiency in their current spatial reasoning mechanisms, with token usage growing rapidly as transformation complexity increases. Third, we propose an Imagery Driven Framework (IDF) for data synthesis and training, which can implicitly construct an internal world model that is critical for spatial reasoning in VLMs. Building on SpatiaLite, this work delineates the spatial reasoning limits and patterns of advanced VLMs, identifies key shortcomings, and informs future advances
• Abstract（参考訳）: DeepSeek R1、OpenAI o3、Gemini 2.5 Proのような大規模言語モデル(LLM)とビジョン言語モデル(VLM)は、論理推論、問題解決、意思決定にまたがる顕著な推論能力を示している。 しかし、空間的推論:精神的な回転、ナビゲーション、空間的関係の理解を含む人間の認知の基本的構成要素は、現在進行しているVLMにとって重要な課題である。 我々は空間状態の内部シミュレーションである想像力が空間世界モデルにおける支配的な推論機構であると仮定する。 この仮説を検証し、現在のVLM空間推論機構を体系的に探究するために、空間推論の精度と推論効率を共同で測定する完全合成ベンチマークであるSpatiaLiteを導入する。 総合的な実験で3つの重要な発見が明らかになった。 第一に、先進的なVLMは推論と想像の言語表現に大きく依存しており、視覚中心のタスクにおいて、知覚的な空間的関係や、心的回転や投影予測のような3次元幾何学的変換が要求される。 第2に、高度なVLMは、変換の複雑さが増大するにつれてトークンの使用が急速に増加し、現在の空間的推論機構に深刻な非効率性を示す。 第3に,VLMにおける空間的推論に不可欠な内部世界モデルを暗黙的に構築することのできる,データ合成とトレーニングのための画像駆動フレームワーク(IDF)を提案する。 SpatiaLite上に構築されたこの研究は、高度なVLMの空間的推論限界とパターンを記述し、重要な欠点を特定し、今後の進歩を知らせる。

関連論文リスト

• How Far are VLMs from Visual Spatial Intelligence? A Benchmark-Driven Perspective [103.44502230776352]
  視覚言語モデル(VLM)における視覚空間推論(VSR)の系統的研究について述べる。 空間インテリジェンスを3つのレベル,すなわち基本的な知覚,空間理解,空間計画,および空間インテリジェンスベンチマークSIBenchに分類した。
  論文  参考訳（メタデータ） (2025-09-23T12:00:14Z)
• SIRI-Bench: Challenging VLMs' Spatial Intelligence through Complex Reasoning Tasks [51.774165536666864]
  SIRI-Benchは視覚言語モデルの構造的空間知性を評価するためのベンチマークである。 Benchは9000の動画検索用三脚で構成されており、各問題はリアルな3Dシーンに埋め込まれている。 実験結果から,最先端のVLMはSIRI-Benchでかなり苦労し,構造的空間推論の課題を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-17T13:40:00Z)
• OmniSpatial: Towards Comprehensive Spatial Reasoning Benchmark for Vision Language Models [17.976302783133956]
  認知心理学に基づく空間的推論のベンチマークであるOmniSpatialを紹介する。 動的推論、複雑な空間論理、空間相互作用、視点取りという4つの主要なカテゴリをカバーしている。 注意深い手動アノテーションにより8.4K以上の質問応答対を構築する。
  論文  参考訳（メタデータ） (2025-06-03T17:58:29Z)
• Mind the Gap: Benchmarking Spatial Reasoning in Vision-Language Models [14.442394137843923]
  本稿では,まず空間的推論のコア要素を記述した詳細な分析を行う。 次に、これらのモデルの性能を、合成画像と実画像の両方で評価する。
  論文  参考訳（メタデータ） (2025-03-25T14:34:06Z)
• Why Is Spatial Reasoning Hard for VLMs? An Attention Mechanism Perspective on Focus Areas [69.56484419619919]
  機械的解釈可能性のレンズによる空間的推論の課題について検討する。 空間的推論の成功は、実際の物体の位置と注意を一致させるモデルの能力と強く相関している。 本研究の目的は,ADAPTVISを用いて,信頼性の高い地域への注意を喚起することである。
  論文  参考訳（メタデータ） (2025-03-03T17:57:03Z)
• Sparkle: Mastering Basic Spatial Capabilities in Vision Language Models Elicits Generalization to Spatial Reasoning [36.588008658084895]
  視覚言語モデル(VLM)は多くのタスクでうまく機能するが、しばしば空間的推論では失敗する。 評価の結果, 現状のVLMでは, 複合空間問題に対する不正確な答えが得られていることがわかった。 VLMにおける2次元空間推論は,基本空間能力のみに基づいて訓練することで向上する。
  論文  参考訳（メタデータ） (2024-10-21T16:26:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。