Nuevos estudios exploran los límites del razonamiento espacial de los VLM

Varios informes de investigación recientes examinan debilidades persistentes de los modelos de visión-lenguaje en percepción visual densa y razonamiento espacial. Un artículo propone Chain-of-Visual-Thought, que entrena a los VLM para razonar con tokens visuales continuos y compactos, destilados de expertos en visión, sobre pistas como profundidad, segmentación, bordes y disposición espacial. Otros trabajos presentan GST-Bench para evaluar la conciencia espacial global en video, SpatialCLI para aprender a partir de herramientas espaciales especializadas, y evidencia de que los VLM dependen de etiquetas semánticas más que de comparaciones visuales de grano fino.