研究論文 #論文基準1 個來源Qwen3.8 27B（本站地端）撰寫

MAC-AutoML 發布 RoTA-Bench：GPT-5.6-Sol 三維空間推理成功率僅 17%

研究團隊 MAC-AutoML 提出 RoTA-Bench，透過互動式投影對齊任務評估視覺語言模型的三維空間推理能力。測試顯示 GPT-5.6-Sol 在 674 個任務中僅成功 17%，而 20 名大學生參與者以 100% 成功率完成測試集，顯示人機差距仍顯著。

AI 摘要｜已與來源比對｜未經人工查核。本文由程式（qwen3.8:27b）讀取下列來源全文與官方原文後撰寫，每段後面的標籤是依據的來源，點擊即可開啟原文。程式會比對數字、版本與日期是否出現在來源中，但這不等於事實查核。內容怎麼產生、有什麼限制；發現錯誤請用文末的「回報」。

研究在做什麼

研究單位 MAC-AutoML 指出，視覺語言模型需要將二維觀察轉化為支持精確行動的三維理解，這涉及推斷物體幾何、預判旋轉效果並透過視覺回饋修正行動。為此，團隊提出 RoTA-Bench，透過互動式三維到二維投影對齊來評估這些能力。 Hugging Face 每日精選論文

模型在有限行動預算內，觀察旋轉後的物體並選擇連續旋轉以恢復目標投影。自動化管線從二維圖標建構保留輪廓的三維物體，並使用可逆初始化保證任務可解，最終生成 674 個任務及一個分層的 100 任務測試集。 Hugging Face 每日精選論文

實驗發現人機差距顯著：GPT-5.6-Sol 僅在 17% 的任務上成功，而 20 名本科參與者集體四次完成測試集，成功率為 100%。此外，在匹配狀態下，模型比人類更常出現輪廓重疊改善但姿態對齊惡化的情況（19.4% 對比 10.9%）。 Hugging Face 每日精選論文

研究還發現精細控制對互動歷史敏感：移除互動歷史後，模型 96.8% 的行動停留在粗粒度的 30 度步長，且觀察到的任務成功率大幅降低。這些發現突顯了將視覺證據轉化為精確三維控制的挑戰，超越了單純識別或匹配個別影像的能力。 Hugging Face 每日精選論文

本站 2026-10-18 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：

研究機構（Hugging Face 標示）：MAC-AutoML
程式碼：MAC-AutoML/RoTA-Bench｜4 顆星｜最後更新 2026-10-16｜授權 Apache-2.0
專案網頁：https://www.modelscope.cn/studios/san2333333/rotabench-anon?mode=full&app_path=%2Fportal
線上展示：tardellirs/paper-pulse
模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集

登入會員後可以按反應與留言。登入

留言公開顯示暱稱，不顯示你的真實姓名與信箱。含多個連結或疑似廣告的留言會先經編輯確認；檢舉達 3 次的留言會自動隱藏。隱私政策

回報會進入待處理清單；核實後更正，並在文中註記更正紀錄。