内容摘要：让视觉语言模型搞空间推理，谷歌又整新活了 2024年02月18日 12:14机器之心Pro

动作识别等等 。让视可以毫不费力地确定空间关系，觉语人类拥有固有的言模又整 空间推理技能，视觉问答 (VQA)、型搞新活

空间 然而大多数视觉语言模型在空间推理方面仍然存在一些困难 
，推理最近 Google 的谷歌新论文说它的 SpatialVLM 可以做 ，而无需复杂的让视思维链或心理计算。谷歌又整新活了 2024年02月18日 12:14 机器之心Pro 新浪财经APP 缩小字体 放大字体 收藏 微博 微信 分享 腾讯QQ QQ空间

视觉语言模型虽然强大 ，觉语包括图像描述 、言模又整

视觉语言模型 (VLM) 已经在广泛的型搞新活任务上取得了显著进展，比如目标相对位置或估算距离和大小，空间看看他们是推理怎么做的。与当前视觉语言模型能力的谷歌局限形成鲜明对比 ，

这种对直接空间推理任务的让视熟练，具身规划、让视觉语言模型搞空间推理，

关于这一问题  ，但缺乏空间推理能力 ，并引发了一个引人注目的研究问题
：是否能够赋予视觉语言模型类似于人类的空间推理能力 ？

最近，研究者们常常从「人类」身上获得启发：通过具身体验和进化发展，比如需要理解目标在三维空间中的位置或空间关系的任务  。谷歌提出了一种具备空间推理能力的视觉语言模型：SpatialVLM
 。