@qingke_ai: 空间感知的评测一直错位：大家都在考「看得懂这张图吗」，很少有人考「走过两步之后还知道东西在哪吗」。这篇把 10 个视觉基座模型按 4 个层级探了一遍，评测轴换成了状态能否跨观测保持。做具身和 VLA 的值得看。

空间感知的评测一直错位：大家都在考「看得懂这张图吗」，很少有人考「走过两步之后还知道东西在哪吗」。这篇把 10 个视觉基座模型按 4 个层级探了一遍，评测轴换成了状态能否跨观测保持。做具身和 VLA 的值得看。

Baiqiao Yin (@Baiqiao_Yin): Spatial perception is more than recognizing images. It calls for a persistent spatial state—maintained beyond observation, updated under self-motion, used to act.

Do vision foundation models support such a state? We probe 10 models at 4 levels. 🧵 🌏

Spatial perception evaluation has always been misaligned: everyone is testing “can you understand this image,” but few are testing “after walking two steps, do you still know where things are.” This article probes 10 visual foundation models across 4 levels, switching the evaluation axis to whether the state can be maintained across observations. Worth reading for those working on embodied AI and VLA.

RSI 这套方法有个公开的秘密：源任务上普遍涨，换到远域任务上普遍跌。

人大 RUC-NLPIR 开源了 FlashRSI，把 13 种 RSI 方法、30 个 benchmark、5 个 harness（Claude Code、Codex、MiniAgent、Pi、Hermes）收进一个接口，同一套配置里都能跑。

看它那张 Claude Code 的结果矩阵就很清楚。AppWorld 上 ADAS +25.00pp、SkillOpt +19.64pp、AHE +26.79pp；到了 far-OOD 的 DeepSearchQA，同一批方法变成 GEPA -14.00pp、ACE -12.00pp、ModularRSI -14.00pp。11 项平均下来，最好的 MetaHarness 也只有 +9.24pp。

它真正解决的问题是可比。harness 被当成带 role 标签的文件系统，RSI 算法只能观察和编辑被授权的那几类文件；每轮跑完留下 Snapshot、轨迹和最终选中的版本，换个人能复现。

价值不在刷分，在于让「谁的 RSI 更强」第一次能被证伪。

https://github.com/RUC-NLPIR/FlashRSI…