Estudos testam VLMs em lacunas de raciocínio espacial e visual

Vários artigos recentes examinam os limites dos modelos de visão-linguagem em percepção e raciocínio espacial. O GST-Bench avalia a consciência espacial global em vídeo usando perguntas verificadas por humanos a partir de 6.790 minutos de vídeo sintético e relata uma pontuação máxima zero-shot de 42,68 para modelos, contra 79,08 para humanos. Outros trabalhos propõem métodos como o Chain-of-Visual-Thought, que usa cerca de 20 tokens visuais contínuos, e o SpatialCLI, que treina VLMs para usar e internalizar ferramentas espaciais especializadas.