本报告探讨了多模态大语言模型（MLLMs）是否具备类似人类的视觉空间智能。研究者提出了新的VSI-Bench基准测试，包含5000多对问答，发现MLLMs在空间思维方面虽不如人类，但表现出竞争力。通过语言和视觉方式探究模型如何进行空间思维，发现局部世界模型和空间意识在模型中出现，但空间推理仍是瓶颈。主流语言推理技术未能提升性能，而显式建模认知地图能增强空间感知能力。该研究由纽约大学杨霁晗博士主讲，深入探讨了MLLMs在理解和处理空间信息方面的能力。

🧠 提出VSI-Bench基准测试：包含5000多对问答，用于评估多模态大语言模型（MLLMs）的视觉空间智能，发现模型表现出一定的空间理解能力。

🗺️ 模型具备局部世界模型和空间意识：研究发现MLLMs在一定程度上具备局部世界模型和空间意识，但空间推理能力仍是其达到更高性能的主要瓶颈。

📍 认知地图增强空间感知：主流语言推理技术未能提升模型性能，而显式建模认知地图的方法，能够有效增强MLLMs的空间距离感知能力。