egocentric-perception

OVO-S-Bench 构建了一个全面的人工标注基准测试，涵盖 348 个视频中的 1,680 道问题，用于评估多模态大语言模型的流式空间智能能力。结果显示，即便是表现最佳的模型（Gemini-3.1-Pro）也比人类专家低 27 分。该基准测试揭示了若干关键局限：以他者为中心的空间映射是主要瓶颈，而思维链推理则会放大空间错误。