Novos estudos investigam os limites do raciocínio espacial em VLMs

Vários relatórios de pesquisa recentes examinam fragilidades persistentes dos modelos de visão-linguagem em percepção visual densa e raciocínio espacial. Um artigo propõe o Chain-of-Visual-Thought, que treina VLMs para raciocinar com tokens visuais contínuos e compactos, destilados de especialistas em visão, para pistas como profundidade, segmentação, bordas e layout espacial. Outros trabalhos apresentam o GST-Bench, voltado à consciência espacial global em vídeo, o SpatialCLI, para aprendizado com ferramentas espaciais especializadas, e evidências de que VLMs dependem mais de rótulos semânticos do que de comparações visuais em nível fino.