SpatialScout基准发布：AI如何像人类一样建立室内三维空间认知

一项名为SpatialScout的研究任务已正式开放，旨在评估人工智能模型在陌生环境中的主动空间探索能力。该任务要求AI进入从未见过的虚拟房间，自主规划观察路线、捕捉多角度图像，并最终输出精准的物体三维坐标。这一过程不依赖预先给定的坐标或固定路径，完全依靠智能体对视觉线索的组织与推断。

研究构建了一个包含80个室内场景、逾3140个目标实例的评测集，涵盖厨房、客厅、卧室等多种房型及家具陈设。任务模拟了从RGB图像输入到相机控制、几何工具辅助定位的全过程，通过三角测量技术将分散的视觉观测转化为可靠的物体中心坐标。

在初步评测中，不同大模型展现了显著的性能差异。Opus 5.5以41.71%的平均IoU表现最佳，而DeepSeekV4.1 Flash虽然成本极低（约0.027美元/任务），但其定位得分较低；相比之下，Astra medium在质量与资源消耗之间取得了较为平衡的表现。

分析显示，单纯增加拍摄次数并不等同于提升定位精度。部分模型存在过度探索但建图滞后的现象，未能有效利用跨视角信息建立几何约束。SpatialScout通过区分观察投入与计算提交，揭示了从“看见”到“定位”的关键转化环节。

该基准不仅关注最终地图的完整性，还引入了成本效益分析，帮助研究者理解不同预算下的质量选择。通过追踪缺失物体与位置偏移的具体原因，研究者可针对性优化视觉对应精度与工具调度策略，推动物理AI向真实环境持续行动迈进。

SpatialScout提供的标准化环境与评分流程，为业界搭建了一个共同考场。它鼓励开发者将新的视角规划、多视角推理及几何工具策略置于同一环境中比较，加速主动空间理解能力的迭代，使其成为构建可靠物理智能体的基石。”descriptionSpatialScout基准发布：评估AI在陌生室内环境的三维空间认知能力，涵盖80个场景与3140+物体实例。研究揭示了从视觉观测到几何定位的转化挑战，对比了Opus 5.5、Astra及DeepSeek等模型的性能与成本，为物理AI的空间感知发展提供新方向。keywordsSpatialScout, AI空间探索, 三维认知, 物理AI, 三角测量, 主动学习, 计算机视觉, 大模型评测sourceaieralinkhttps://aiera.com.cn/asi-post.html?id=121791