待验证50% 置信观点精确时间
VLM 在图像描述、视觉问答等任务上表现优异，但其空间理解能力长期存在争议，模型可能通过语言先验猜对答案而非真正构建空间表征。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证让VLM直接输出像素级精确坐标是在用其不擅长的方式工作，大模型擅长语义理解和粗粒度定位，但在几何精度上不可靠79% 相似待验证多模态大模型在描述图像、回答视觉问题等宏观理解任务上已相当出色，但在精细定位和高干扰视觉搜索等微观能力上仍有不足74% 相似待验证VLM 视觉方案（如 WebVoyager、SeeAct）存在幻觉问题、坐标定位精度不足，且每次操作需消耗大量 token 处理图像信息72% 相似待验证传统空间推理基准通常测试模型对静态图像中可见关系的读取能力，属于感知层面。71% 相似待验证ViSkill 把技能卡以视觉形式存储，并在推理时作为图像上下文喂给 VLM，让模型自身的视觉编码器处理几何结构，而非先由外部流程将空间关系翻译成文字。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1013366API
curl https://kongchang.com/api/v1/knowledge/claims/1013366MCP
get_claim(id=1013366)