Paper page - SpatialBench：您的空间基础模型是全能选手吗？

来源：https://huggingface.co/papers/2605.27367 发布于5月26日

·

由https://huggingface.co/lifuguan提交

leoli (https://huggingface.co/lifuguan) 于5月27日

作者：

,

,

,

,

,

,

,

,

,

,

,

摘要

SpatialBench 提出了一个全面的基准测试，用于评估跨不同领域和任务的空间基础模型，揭示了当前模型的局限性，并引入了 DA-Next-5M 和 DA-Next 以推动空间表征学习的发展。

尽管空间基础模型 (https://huggingface.co/papers?q=spatial%20foundation%20models) 在标准数据集上展示了令人印象深刻的性能，但一个关键问题依然存在：它们是否真的是能够跨多样下游任务、任意视角、变化场景领域、不同输入密度以及特定硬件限制下稳健泛化的全能选手？回答这一总体性问题需要全面的评估，然而当前模型主要在其专门设计或训练的特定领域上被评估。这种评估本质上受到范式覆盖范围窄、场景领域有限以及任意帧采样的限制，使得从根本上评估其真实泛化能力十分困难。为填补这一空白，我们提出了 SpatialBench，这是一个面向空间基础模型的跨范式 (https://huggingface.co/papers?q=cross-paradigm)、领域多样化 (https://huggingface.co/papers?q=domain-diverse%20benchmark) 的基准测试，并采用确定性采样 (https://huggingface.co/papers?q=deterministic%20sampling) 方法。SpatialBench 具有前所未有的规模和严格的确定性设计，包含 19 个数据集和 546 个场景，覆盖 5 个不同的空间领域 (https://huggingface.co/papers?q=spatial%20domains)。它全面评估了 6 种范式下的 41 个模型，在 4 种不同输入密度设置 (https://huggingface.co/papers?q=input%20density%20settings) 下针对 5 个任务套件 (https://huggingface.co/papers?q=task%20suites) 进行测试。我们广泛的评估揭示，当前模型尚不是全能选手，并为未来的发展发现了关键洞见。具体来说，我们证明了全上下文注意力 (https://huggingface.co/papers?q=full-context%20attention) 能最大化准确度，而有限内存策略 (https://huggingface.co/papers?q=bounded-memory%20strategies) 则解锁了长序列可扩展性 (https://huggingface.co/papers?q=long-sequence%20scalability)。此外，我们在具有挑战性的具身和以自我为中心任务 (https://huggingface.co/papers?q=egocentric%20tasks) 上的实证评估表明，严格的领域对齐和高数据质量对于性能远比简单扩大数据集更为关键。最后，为解决我们分析中发现的最大数据缺口，我们不仅限于评估，还引入了一个大规模数据集 DA-Next-5M 和一个强大的基线模型 DA-Next，从而推动空间表征学习 (https://huggingface.co/papers?q=spatial%20representation%20learning) 的边界。

查看 arXiv 页面 (https://arxiv.org/abs/2605.27367)查看 PDF (https://arxiv.org/pdf/2605.27367)项目页面 (https://ropedia.github.io/SpatialBench/)GitHub5 (https://github.com/Ropedia/SpatialBench)添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2605.27367)

在你的 agent 中获取此论文：

hf papers read 2605\.27367

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2605.27367 即可从此页面链接。

引用此论文的数据集0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.27367 即可从此页面链接。

引用此论文的 Spaces0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2605.27367 即可从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接。