标签
RoTA-Bench 是一个评测视觉-语言模型将 2D 观察转化为精确 3D 旋转控制能力的基准，通过交互式投影对齐任务揭示了显著的人机差距（GPT-5.6-Sol 仅 17% 成功率，而人类参与者 100% 完成）。
Imagine3D-LLM 提出在回答多视角空间推理问题之前，先让多模态大语言模型想象出场景的紧凑 3D 表示（从可学习的摘要 token 解码为 3D 高斯泼溅，并以光度重建损失进行监督），在多个基准测试上超越了以往的 3D 感知 MLLM 方法。
Skill-3D是一个框架，通过自我进化的记忆与技能库使AI智能体学习场景感知技能，在3D空间推理任务中显著提升工具使用能力（例如，在VSI-Bench上从39%提升至78%）。
本文提出GASP框架，通过深度监督结合对比损失和深度一致性损失将几何先验注入视觉语言模型，在3D空间推理基准上取得了显著提升，且无需使用3D VQA数据。
MetaSpatial是一个强化学习框架，旨在增强视觉语言模型（VLMs）的3D空间推理能力，能够生成连贯且物理上合理的3D场景，无需硬编码优化。