SpatialScout：VLM 智能體主動探索 3D 場景的基準測試
研究團隊提出 SpatialScout 基準，評估視覺語言模型（VLM）智能體在有限互動次數下，能否透過主動探索建構精確的 3D 物體地圖。
- 本站上線
- 2026/10/23 上午06:20
- 首次報導
- 2026/10/19 上午08:00
- 最早來源發布
- 2026/10/19 上午08:00
研究在做什麼
Peking University 的研究團隊指出，現有的空間問答任務難以證明模型能透過自主探索建構精確的度量地圖。為此，他們提出 SpatialScout，一個用於評估視覺語言模型（VLM）智能體在主動物體級 3D 映射能力的基準測試。該基準包含 80 個室內場景與 3,140 個目標物體，要求智能體在給定物體清單、RGB 觀測值、相機校準及姿態的情況下，控制相機探索場景並估計物體中心。 官方原文・github.com Hugging Face 每日精選論文
方法
智能體需在有限的互動預算內，協調視角選擇、跨視圖關聯、幾何估計與地圖修訂。評估方式結合了定位準確度與目標覆蓋率，使用物體尺度的重疊分數（IoU，即預測框與真實框的重疊比例）來懲罰遺漏的預測。實驗中，智能體被允許每個任務進行 100 輪互動，並需輸出成功完成映射的軌跡以計算平均分數。 Hugging Face 每日精選論文 官方原文・github.com
結果
實驗顯示前沿 VLM 存在顯著限制。表現最好的模型 Claude Opus 5.5 的平均重疊分數為 41.71%。47.23% 的目標物體 IoU 超過 0.5 的門檻，僅有 3.25% 的目標物體 IoU 超過 0.9。這些結果顯示，從恢復粗略物體佈局到建構完整且精確的度量地圖之間存在巨大差距。 Hugging Face 每日精選論文
程式碼與資料
本站 2026-10-23 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）：Peking University
- 程式碼：JesseZZZZZ/SpatialScout｜5 顆星｜最後更新 2026-10-22｜授權 未標示
- 專案網頁：https://spatialscout.osslab-pku.org
- 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
來源：佐證 2 筆
官方原文當事公司或機構自己發布的文件
媒體轉述新聞媒體的報導
- Hugging Face 每日精選論文 · SpatialScout: Can VLM Agents Actively Explore and Map 3D Scenes?10/19 上午08:00
這篇對你有用嗎？
登入會員後可以按反應與留言。登入
留言 0
- 還沒有留言。
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
發現錯誤？
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。