Estudios ponen a prueba a los VLM en brechas de razonamiento espacial y visual

Varios artículos recientes examinan los límites del razonamiento perceptivo y espacial en los modelos de visión-lenguaje. GST-Bench evalúa la conciencia espacial global en video mediante preguntas verificadas por humanos a partir de 6.790 minutos de video sintético y reporta una puntuación máxima de 42,68 en un modelo zero-shot, frente a 79,08 en humanos. Otros trabajos proponen métodos como Chain-of-Visual-Thought, que utiliza aproximadamente 20 tokens visuales continuos, y SpatialCLI, que entrena a los VLM para usar e internalizar herramientas espaciales especializadas.