論文の概要: Theory of Space: Can Foundation Models Construct Spatial Beliefs through Active Exploration?

• arxiv url: http://arxiv.org/abs/2602.07055v1
• Date: Wed, 04 Feb 2026 19:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.406407
• Title: Theory of Space: Can Foundation Models Construct Spatial Beliefs through Active Exploration?
• Title（参考訳）: 宇宙理論:活動的探索を通して空間的信念を構築できるか?
• Authors: Pingyue Zhang, Zihan Huang, Yue Wang, Jieyu Zhang, Letian Xue, Zihan Wang, Qineng Wang, Keshigeyan Chandrasegaran, Ruohan Zhang, Yejin Choi, Ranjay Krishna, Jiajun Wu, Li Fei-Fei, Manling Li,
• Abstract要約: 宇宙の理論は、自己指向的かつ活発な探索を通じて情報を得るエージェントの能力として定義される。 重要な革新は空間的信念の探索であり、各ステップでモデルが空間的表現を明らかにするように促す。 この結果から,現在の基盤モデルでは,活発な探査において,コヒーレントで変更可能な空間的信念の維持に苦慮していることが示唆された。
• 参考スコア（独自算出の注目度）: 83.13508919229939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial embodied intelligence requires agents to act to acquire information under partial observability. While multimodal foundation models excel at passive perception, their capacity for active, self-directed exploration remains understudied. We propose Theory of Space, defined as an agent's ability to actively acquire information through self-directed, active exploration and to construct, revise, and exploit a spatial belief from sequential, partial observations. We evaluate this through a benchmark where the goal is curiosity-driven exploration to build an accurate cognitive map. A key innovation is spatial belief probing, which prompts models to reveal their internal spatial representations at each step. Our evaluation of state-of-the-art models reveals several critical bottlenecks. First, we identify an Active-Passive Gap, where performance drops significantly when agents must autonomously gather information. Second, we find high inefficiency, as models explore unsystematically compared to program-based proxies. Through belief probing, we diagnose that while perception is an initial bottleneck, global beliefs suffer from instability that causes spatial knowledge to degrade over time. Finally, using a false belief paradigm, we uncover Belief Inertia, where agents fail to update obsolete priors with new evidence. This issue is present in text-based agents but is particularly severe in vision-based models. Our findings suggest that current foundation models struggle to maintain coherent, revisable spatial beliefs during active exploration.
• Abstract（参考訳）: 空間的エンボディド・インテリジェンス(英語版)は、エージェントが部分的な可観測性の下で情報を取得することを要求する。 マルチモーダル基礎モデルは受動的知覚に優れるが、その活動的かつ自己指向的な探索能力はいまだ検討されていない。 本研究では,自己指向的かつ活発な探索を通じて情報を積極的に獲得し,逐次的部分的な観察から空間的信念を構築し,修正し,活用するエージェントの能力として定義された空間理論を提案する。 正確な認知マップを構築するために好奇心を駆使した探索を目標とするベンチマークを通じてこれを評価する。 重要な革新は空間的信念の探索であり、各ステップでモデルが空間的表現を明らかにするように促す。 我々の最先端モデルに対する評価は、いくつかの重要なボトルネックを明らかにしている。 まず、エージェントが自律的に情報を集める必要がある場合、パフォーマンスが著しく低下するアクティブ・パッシブ・ギャップを特定する。 第二に、モデルがプログラムベースのプロキシと比較して非体系的に探索するときに、高い非効率性を見出す。 信念探索を通じて、認識は初期のボトルネックであるが、世界的信念は空間的知識が経時的に劣化する不安定さに悩まされていることを診断する。 最後に、誤った信念のパラダイムを用いて、エージェントが古い過去の情報を新しい証拠で更新するのに失敗するBelief Inertiaを明らかにする。 この問題はテキストベースのエージェントに存在するが、特に視覚ベースのモデルでは深刻である。 この結果から,現在の基盤モデルでは,活発な探査において,コヒーレントで変更可能な空間的信念の維持に苦慮していることが示唆された。

関連論文リスト

• Exploration Through Introspection: A Self-Aware Reward Model [0.0]
  エビデンス(エビデンス)は、自己および他の認識のための統一されたシステムを指す。 我々は、グリッドワールド環境において、強化学習エージェントが自身の内部状態を推測することで、この自己認識性を探求する。
  論文  参考訳（メタデータ） (2026-01-06T19:53:33Z)
• EscherVerse: An Open World Benchmark and Dataset for Teleo-Spatial Intelligence with Physical-Dynamic and Intent-Driven Understanding [56.89359230139883]
  本稿では,Teleo-Spatial Intelligence(TSI)について紹介する。 本稿では、大規模なオープンワールドベンチマーク(Escher-Bench)、データセット(Escher-35k)、モデル(Escherシリーズ)からなるEscherVerseを紹介する。 これはIntent-Driven Reasoningを体系的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-01-04T14:42:39Z)
• Multimodal Spatial Reasoning in the Large Model Era: A Survey and Benchmarks [108.15756345836901]
  大規模モデルを用いたマルチモーダル空間推論タスクの包括的レビューを行う。 我々は、視覚言語ナビゲーションやアクションモデルを含む、具体的AIの進歩についてレビューする。 我々は,新しいセンサによる空間的理解に寄与する音声やエゴセントリックビデオなどの新たなモダリティを考察する。
  論文  参考訳（メタデータ） (2025-10-29T17:55:43Z)
• 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)
• Fostering Intrinsic Motivation in Reinforcement Learning with Pretrained Foundation Models [8.255197802529118]
  CLIPのような最近の基盤モデルの台頭は、事前訓練されたセマンティックにリッチな埋め込みを活用する機会を提供する。 導入モジュールは、完全な状態情報を有効に活用することができ、サンプル効率を大幅に向上させることができる。 基礎モデルによって提供される埋め込みは、トレーニング中にエージェントが構築したものよりも、時として優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-09T20:05:45Z)
• H-SAUR: Hypothesize, Simulate, Act, Update, and Repeat for Understanding Object Articulations from Interactions [62.510951695174604]
  The Hypothesize, Simulate, Act, Update, and Repeat (H-SAUR) is a probabilistic generative framework that generated hypotheses about objects articulate given input observed。 提案手法は,現在最先端のオブジェクト操作フレームワークよりも優れていることを示す。 我々は、学習に基づく視覚モデルから学習前の学習を統合することにより、H-SAURのテスト時間効率をさらに向上する。
  論文  参考訳（メタデータ） (2022-10-22T18:39:33Z)

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。