Zhaoxi Zhang, Hao Liang, Linxuan Wu, Yiming Wu, Yifu Yuan, Kun Liang, Chenming Tang, Meiyi Qiang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.26659 · open-access PDF
Пространственный интеллект требует, чтобы агенты активно приобретали визуальные доказательства и интегрировали наблюдения в согласованное представление трехмерного мира. Тем не менее, ответы на пространственные вопросы дают ограниченные доказательства того, что модели могут создавать точные метрические карты через автономное исследование. Мы вводим SpatialScout, ориентир для оценки визуально-языковой модели (VLM) агентов на активном объектно-уровне 3D-картах. SpatialScout включает в себя 80 разнообразных внутренних сцен, содержащих 3 140 целевых объектов.
Machine translation (Meta M2M100); the English original follows.
Spatial intelligence requires agents to actively acquire visual evidence and integrate observations into a coherent representation of the three-dimensional world. Yet spatial question answering offers limited evidence of whether models can construct accurate metric maps through autonomous exploration. We introduce SpatialScout, a benchmark for evaluating vision-language model (VLM) agents on active object-level 3D mapping. SpatialScout comprises 80 diverse indoor scenes containing 3,140 target objects. Given an object inventory, RGB observations, camera calibration, and camera poses, agents co
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.26659, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange