arXiv · cs.AI· Qingchuan Ma, Yuexiao Ma, Xiang Meng, Yixuan Zou, Tianyu Xie, Wang Chen, Yuhui Zeng, Yuhang Wu, Rongrong Ji, Xiawu Zheng·· 7 小时前
RoTA-Bench：评估视觉语言模型的交互式3D空间推理能力
RoTA-Bench: Evaluating 3D Spatial Reasoning through Interactive Projection Alignment
arXiv:2610.17665v3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, Rongrong Ji, Xiawu Zheng
研究任务与主要进展
RoTA-Bench通过交互式3D到2D投影对齐，评估视觉语言模型能否从2D观测推断三维几何并执行精确旋转动作。基准利用从2D图标构造的可解3D对象生成674个任务和分层测试集；GPT-5.6-Sol仅完成其中17%的任务，而20名本科生合计将测试集完成了4次、总体成功率为100%。实验还显示，模型在轮廓重叠改善时姿态对齐反而可能恶化，且移除交互历史会使动作明显集中到30度的粗粒度步长。
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