論文の概要: SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.12402v1
• Date: Thu, 08 Oct 2026 17:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.234551
• Title: SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models
• Title（参考訳）: SpaceCast-Bench:視覚言語モデルにおける予測空間推論の評価
• Abstract要約: 空間推論を直接的かつ診断的に評価する最初のベンチマークであるSpaceCastBenchを紹介する。 182の現実世界シーンからの質問は、静的認識、局所予測、グローバル予測という3つのレベルで16のタスクタイプにまたがる。 制御された解析により、ブリッジビューは分散観測の統合に重要であることが明らかになった。
• 参考スコア（独自算出の注目度）: 55.56557714314683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing spatial reasoning benchmarks mainly test spatial perception: reading off relations already visible in the input. Yet real-world spatial intelligence demands predictive spatial reasoning: constructing a scene from observations, anticipating how an intervention changes it, and reasoning about the unseen outcome. We introduce SpaceCast-Bench, the first benchmark to directly and diagnostically evaluate this capability. Built around an observe-transform-infer framework, its 3,862 questions from 182 real-world scenes span 16 task types at three levels: static perception, local prediction, and global prediction, progressively requiring scene understanding, spatial state updating, and relational inference over unobserved outcomes. Evaluating 21 models exposes a stark gap: the strongest model reaches only 58.0% against 87.2% human performance, while spatially specialized models remain near random chance. Controlled analyses further reveal that bridge views are critical for integrating distributed observations, and that explicit 3D evidence benefits models more reliably than generated outcome images or videos. Fine-tuning on our programmatically generated data lifts Qwen3-VL-4B from 34.0% to 65.7% with macro-average gains across six out-of-domain benchmarks.
• Abstract（参考訳）: 既存の空間推論ベンチマークは、主に空間知覚をテストしている。 しかし、現実世界の空間知能は、観察からシーンを構築すること、介入がどのように変化するかを予測すること、そして目に見えない結果について推論すること、予測的な空間推論を要求する。 この能力を直接的かつ診断的に評価する最初のベンチマークであるSpaceCast-Benchを紹介します。 182の現実世界シーンからの3,862の質問は、静的知覚、局所予測、グローバル予測、徐々にシーン理解、空間状態の更新、未観測結果に対するリレーショナル推論という3つのレベルの16のタスクタイプにまたがっている。 21モデルの評価は、最も強いモデルは、87.2%の人間のパフォーマンスに対して58.0%にしか達せず、空間的に特殊化されたモデルは、ランダムな確率に近づいたままである。 制御された分析により、ブリッジビューは分散観察の統合に不可欠であり、明確な3Dエビデンスにより、生成された結果画像やビデオよりもモデルの信頼性が向上することが明らかになった。 プログラムで生成されたデータの微調整により、Qwen3-VL-4Bは34.0%から65.7%に上昇し、6つの非ドメインベンチマークでマクロ平均値が上昇した。

関連論文リスト

• Uruqi: Learning Spatial Cognition from Visual Experience [24.19092824006856]
  我々は、視覚言語モデル(VLM)における空間認識を開発するためのスケーラブルな監視源として、スーパービジョンされた連続的な視覚体験を提供する。 我々は,11,738個のモチーフ駆動カメラ軌跡を広範囲の3Dシーンで合成し,自己動作追跡,永続オブジェクトマッピング,各視覚体験における豊かな空間操作をサポートする。 URUQI$_mathrmSyn$-8Bは、これらの原子質問を推論するモデルをトレーニングすることで、Uruqiベンチマークの精度を15.84%から47.73%に改善します。
  論文  参考訳（メタデータ） (2026-09-30T07:47:02Z)
• PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models [60.567497085815724]
  PhysBrain 1.5は、物理的な環境を理解し、アクションを生成し、将来の状態を予測するための統一モデルである。 事前トレーニングは、人間のインタラクションビデオから完全に具体化された監督を引き出す。 一般的なマルチモーダル機能を維持しながら、14のベンチマークで最高のオープンソース結果を達成する。
  論文  参考訳（メタデータ） (2026-09-14T03:25:46Z)
• UniviewVLA: A Unified Multiview Vision-Language-Action Model with World Modeling [33.6086006552446]
  ワールド・モデリングを用いたマルチビュー・ビジョン・ランゲージ・アクション・モデルであるUniviewVLAを提案する。 生成されたマルチビューの将来のビューを活用することで、UniviewVLAは隠蔽されたキューと将来のシーンの進化をモデル化する。 UniviewVLA は LIBERO で95.8%、CALVIN ABCD to D で4.60を達成している。
  論文  参考訳（メタデータ） (2026-06-19T14:53:40Z)
• AFUN: Towards an Affordance Foundation Model for Functionality Understanding [12.890216832485647]
  我々は,機能理解のための手頃な基礎モデルに向けたステップとして,我々のモデルを提示する。 我々は、異種ロボット、人間、シミュレーション、現実世界のスキャンデータを共有価格スキーマに変換する大規模な標準化データパイプラインを構築します。 私たちのモデルは、4つのベンチマークから8つのテストセットにまたがる大きなマージンで、すべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T17:50:16Z)
• Why Far Looks Up: Probing Spatial Representation in Vision-Language Models [44.01280555484389]
  視覚言語モデル(VLM)は空間推論ベンチマークにおいて高い性能を達成する。 しかし、これが構造化された3D理解の反映なのか、あるいは自然画像の統計的ショートカットに依存しているのかは不明だ。 空間軸がどのように構成されているかを測定するために,最小のコントラスト対を構成する表現レベル分析フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-05-28T16:18:01Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models [73.19077622773075]
  本稿では,空間知能を段階的に構築するための包括的方法論を提案する。 オブジェクトローカライゼーション、単一画像、マルチビュー、ビデオ空間推論タスクにまたがる26,610のサンプルを含むマルチモーダルデータセットであるSpatialLadder-26kを紹介する。 本研究では,物体の局所化による空間知覚の確立,多次元空間的タスクによる空間理解の発達,および検証可能な報酬を用いた強化学習による複雑な推論の強化を目的とした3段階のプログレッシブ・トレーニング・フレームワークを設計する。
  論文  参考訳（メタデータ） (2025-10-09T17:50:54Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations [58.442103936918805]
  注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。 AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
  論文  参考訳（メタデータ） (2022-06-30T17:55:12Z)

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。