arXiv · cs.AI· Qingchuan Ma, Yuexiao Ma, Xiang Meng, Yixuan Zou, Tianyu Xie, Wang Chen, Yuhui Zeng, Yuhang Wu, Xiawu Zheng, Rongrong Ji·· 5 天前
RoTA-Bench：通过交互式投影对齐评测视觉语言模型的三维空间推理能力
RoTA-Bench: Evaluating 3D Spatial Reasoning through Interactive Projection Alignment
arXiv:2610.17665v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Qingchuan Ma, Yuexiao Ma, Xiang Meng, Yixuan Zou, Tianyu Xie, Wang Chen, Yuhui Zeng, Yuhang Wu, Xiawu Zheng, Rongrong Ji
研究任务与主要进展
RoTA-Bench提出一个评测视觉语言模型能否将二维观测转化为三维理解并执行精确旋转动作的基准，基于论文摘要构建了674个任务和分层抽取的100任务测试集。实验显示，GPT-5.6-Sol仅成功完成17%的任务，而20名本科生合计以100%成功率完成测试集；模型还可能在轮廓重叠改善时恶化姿态对齐，且移除交互历史后96.8%的动作停留在30度粗步长。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org