SpatialScout：视觉语言模型智能体能否主动探索并绘制3D场景地图？
SpatialScout是一项基准测试，用于评估视觉语言模型（VLM）智能体进行主动式物体级3D建图的能力。它包含80个多样化室内场景和3,140个目标物体。智能体根据物体清单和视觉观测控制摄像机探索场景，并在统一坐标系中估算物体位置。任务要求智能体选择视角、跨视角关联物体，并在有限交互预算内修订地图。实验显示其能力仍有明显不足：受测模型中表现最好的Claude Opus 5.5，平均重叠分数为41.71%。IoU超过0.5的目标占47.23%，超过0.9的仅占3.25%。该基准测试及其代码已公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。