論文の概要: S-Space: Exploring Spatial Workspace in Multimodal Language Models
- arxiv url: http://arxiv.org/abs/2610.13527v1
- Date: Fri, 09 Oct 2026 12:48:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.583908
- Title: S-Space: Exploring Spatial Workspace in Multimodal Language Models
- Title（参考訳）: S-Space:マルチモーダル言語モデルにおける空間ワークスペースの探索
- Abstract要約: 知覚は物体の位置をコード化し、正確な空間的判断をサポートするために直接読み出すことができる空間的表現を形成する。
S-空間(S-Space)は、水平軸、垂直軸、距離軸に沿って連続座標を符号化する線形表現部分空間である。
ケーススタディでは、S-Spaceは未確認のエンティティやオブザーバに場所を割り当て、物理的方向を抽象的な言語的意味と結びつける。
- 参考スコア（独自算出の注目度）: 42.77805881651389
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multimodal language models (MLLMs) exhibit promising spatial reasoning capabilities, yet the internal mechanisms supporting them remain poorly understood. We uncover S-Space, a linear representation subspace in which object-token representations encode continuous coordinates along horizontal, vertical, and distance axes. Although we identify these axes by differentiating spatial-answer scores with respect to object-token activations, S-Space is intrinsic rather than induced by specific data or prompts, remaining readable under non-spatial questions. We show that S-Space functions as an internal spatial workspace of MLLMs. Perception encodes object locations into it, forming spatial representations that can be directly read out to support accurate spatial judgments. Internal reasoning transforms it for changing viewpoints. Verbal responses selectively access it, evidenced by causal interventions that alter spatial judgments while largely preserving non-spatial responses. Case studies further show that S-Space assigns locations to unseen entities and the observer, and connects physical directions with abstract linguistic meanings, suggesting both the capabilities and limitations of large-scale language training. Finally, we use S-Space as a diagnostic tool for spatial reasoning failures. Direction-word readouts reveal systematic coupling between cardinal and image-relative reference frames. More importantly, a perception-computation decomposition exposes a key bottleneck: MLLMs can form capable spatial representations, yet fall short in the spatial transformations required to reason reliably across viewpoint changes.
- Abstract（参考訳）: マルチモーダル言語モデル(MLLM)は有望な空間推論能力を示すが、それらをサポートする内部メカニズムは理解されていない。
S-Spaceは,水平軸,垂直軸,距離軸に沿って連続座標を符号化した線形表現部分空間である。
S-Space は,特定のデータやプロンプトによって誘導されるのではなく,本質的なものであり,非空間的問合せで読み取ることができる。
MLLMの内部空間空間としてS空間が機能することを示す。
知覚は物体の位置をコード化し、正確な空間的判断をサポートするために直接読み出すことができる空間的表現を形成する。
内部推論は視点を変えるために変換する。
言語応答は、空間的判断を変化させる因果的介入によって証明され、主に非空間的反応を保っている。
ケーススタディでは、S-Spaceは未確認のエンティティとオブザーバにロケーションを割り当て、物理的な方向を抽象言語的意味と結びつけ、大規模言語訓練の能力と限界の両方を示唆している。
最後に,空間的推論障害の診断ツールとしてS空間を用いる。
方向単語の読み出しは、基準フレームと画像相対参照フレームの体系的な結合を示す。
MLLMは有能な空間表現を形成することができるが、視点の変化に対して確実に推論するために必要な空間変換には不足する。
関連論文リスト
- SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video [88.79625979053873]
事前学習型視覚言語モデル(VLM)のための新しいフレームワークSpaceEraを提案する。
データ構築、モデル設計、トレーニング最適化、推論の促進にまたがる、SpaceEra++と呼ばれる、オリジナルのフレームワークを包括的なシステムに拡張します。
さらに,空間的推論を強化するために,絶対座標と相対空間関係を協調的に利用することにより,対物制約を強制するSpaceAlignを開発した。
論文 参考訳（メタデータ） (2026-07-02T06:56:29Z) - S-Agent: Spatial Tool-Use Elicits Reasoning for Spatial Intelligence [77.5121349100339]
textscS-Agentは空間的知覚をフレーム中心の認識を超えたシーン中心の理解に再認識する。
textscS-Agentは、VLMをセマンティックプランナーとしてキャストし、必要な証拠を決定する。
textscS-Agentは、トレーニングのない方法で、オープンソースとクローズドソース両方のVLMを一貫して改善する。
論文 参考訳（メタデータ） (2026-06-18T17:34:55Z) - From Symbolic to Geometric: Enabling Spatial Reasoning in Large Language Models [12.689909494554733]
近年の大規模言語モデル (LLM) は空間推論能力を示すことが多い。
この能力は、空間上の真のエンフェロメトリー推論ではなく、空間言語上のパターンマッチングから生じる、主にエンフェロボリックである。
EmphSpatial Language Model (SLM) は、位置情報を第一級のモダリティとして扱う最初のマルチモーダル LLM である。
論文 参考訳（メタデータ） (2026-06-03T02:54:59Z) - SPACENUM: Revisiting Spatial Numerical Understanding in VLMs [14.025058020258816]
本研究では,視覚言語モデル(VLM)が空間的設定における数値を真に理解しているかどうかを考察する。
動的遷移と静的なレイアウトの全体にわたって、モデルが空間的意味において数値をグラウンドするのにほとんど失敗することがわかった。
明示的推論は限界ゲインしか提供しないが、チューニングは空間的数値的理解を部分的に改善できることを示す。
論文 参考訳（メタデータ） (2026-05-22T17:58:36Z) - SpatialImaginer: Towards Adaptive Visual Imagination for Spatial Reasoning [67.67774742200626]
空間知能は、視覚的な観察から幾何学的および物理的構造を推論する能力を指すもので、大きな言語モデルにとって重要な課題である。
テキスト推論と視覚的想像力を組み合わせた統合型マルチモーダル生成フレームワークを提案する。
本フレームワークでは,高レベルなセマンティックプランニングのためのテキストチェーンと,幾何感応的な状態変換と整合性保存のための視覚的想像力を用いて,分割・対数戦略を採用している。
論文 参考訳（メタデータ） (2026-04-19T11:21:59Z) - EgoMind: Activating Spatial Cognition through Linguistic Reasoning in MLLMs [36.84953281346447]
EgoMindはChainof-Thoughtフレームワークで、RolePlay Captionを通じて幾何学のない空間推論を可能にする。
5Kサンプルと20K RLサンプルだけで、EgoMindはMLLMBenchs、SITEBench、SPBenchで有効である。
論文 参考訳（メタデータ） (2026-04-01T15:28:13Z) - Large Language Models Encode Semantics in Low-Dimensional Linear Subspaces [31.401762286885656]
大規模言語モデル(LLM)の潜在空間幾何を理解することは、それらの振舞いとアライメントの鍵となる。
我々は6つの科学的トピックにわたる11の経験的モデルで大規模な研究を行っている。
論文 参考訳（メタデータ） (2025-07-13T17:03:25Z) - FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。
このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
論文 参考訳（メタデータ） (2025-07-10T11:16:48Z) - 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) - From Spatial Relations to Spatial Configurations [64.21025426604274]
空間関係言語は、推論に不可欠な、大きく包括的な空間概念の集合を表現することができる。
本稿では,既存の空間表現言語の機能を,セマンティクスのきめ細かい分解によって拡張する方法について述べる。
論文 参考訳（メタデータ） (2020-07-19T02:11:53Z)
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。