盘点空间理解能力上表现最突出的模型

一、专有模型（闭源）

1. Gemini-1.5 Pro（Google）

   • 在 VSI-Bench（视觉空间智能评测基准）中表现最佳，准确率接近人类水平（人类平均79%，模型平均低33%），尤其在绝对距离和房间大小估计等任务中接近人类表现。
   • 基于2D数字数据训练，但展现出对空间关系的深度理解和记忆能力，例如通过视频问答对场景的时空配置进行推理。

2. Qwen2.5-vl-72B（阿里通义千问开源版本）

   • 在 司南多模态闭源评测 中，以总分48.25排名第一，尤其在 空间感知 维度领先，能够精准解析多模态输入中的几何关系和场景布局。
   • 开源模型中唯一超越多个闭源商业API的模型，适用于机器人导航、工业场景理解等任务。

3. GPT-4o（OpenAI）

   • 在 MGSM（多语言通用句子匹配） 测试中得分90.5，显示其在多语言空间语义匹配上的优势。
   • 虽未直接评测空间理解专项，但其多模态推理能力为复杂场景分析提供基础。

---

二、开源模型

1. LLaVA-NeXT-Video-72B

   • 在 VSI-Bench 中仅次于Gemini-1.5 Pro，差距仅4%-5%，是开源模型中空间智能表现最佳者。
   • 支持视频输入的场景解析，适用于动态空间任务（如工厂流水线监控）。

2. InternVL2.5系列

   • 在司南评测的 空间感知 和 通用感知 维度中表现亮眼，如InternVL2.5-78b-MPO在工业场所布局理解任务中得分前列。

---

三、创新技术框架

1. SpatialLM（群核科技）
   • 首个开源的 空间理解多模态模型，通过视频输入生成物理正确的3D场景布局，突破传统大模型对几何关系的理解局限。
   • 特点：
     • 支持普通视频（如手机拍摄）输入，无需专用传感器，降低开发门槛。
     • 结合群核科技积累的物理正确3D数据，生成结构化场景脚本语言，为机器人训练提供仿真环境。
   • 应用方向：具身智能机器人导航、AR/VR场景建模等。

---

四、提升空间智能的关键技术

• 认知地图生成：通过显式生成空间认知地图，模型在空间任务中的准确率可提升10%。
• 合成数据引擎：如群核科技的 SpatialVerse 平台，结合SpatialLM生成虚拟场景，实现“现实-虚拟-现实”闭环训练，加速机器人空间决策能力迭代。

---

总结

当前空间理解能力的领先模型以 Gemini-1.5 Pro 和 Qwen2.5-vl-72B 为代表，分别在闭源和开源领域占据优势。技术框架如 SpatialLM 通过开源推动行业协作，为具身智能提供基础训练支持。未来，随着认知地图生成、多模态合成数据等技术的发展，空间智能有望在机器人、自动驾驶等领域实现更广泛应用。