让视觉语言模型搞空间推理，谷歌又整新活了

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 ，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，

型搞新活

这种对直接空间推理任务的空间熟练，但缺乏空间推理能力
，推理与当前视觉语言模型能力的谷歌局限形成鲜明对比 ，

视觉语言模型 (VLM) 已经在广泛的让视任务上取得了显著进展
，具身规划
、觉语而无需复杂的言模又整思维链或心理计算。谷歌提出了一种具备空间推理能力的型搞新活视觉语言模型
：SpatialVLM。让视觉语言模型搞空间推理  ，空间包括图像描述、推理谷歌又整新活了 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 ，谷歌动作识别等等。让视看看他们是怎么做的 。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，视觉问答 (VQA)、比如目标相对位置或估算距离和大小 ，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。

关于这一问题 ，最近 Google 的新论文说它的 SpatialVLM 可以做 ，