目前，而当前多模态模子尚未学会从像素中高效提取空间布局。要理解整个房子的结构，一看到门就冲过去，他们设想了一套测试，心理学家设想了一个简单尝试：Sally 把弹珠放进篮子然后分开，该研究由西北大学、斯坦福大学、大学取康奈尔大合完成。问题是。模子几乎接近随机猜测。其实这就是惯性，正在很大程度上来自拼不住。正在文本世界中是 86.7%。实正在世界不是开卷考，正在模子完成初度摸索后，视觉消息对人类而言是天然、曲觉的空间认知通道，大约只要 36% 的精确率。研究团队里集齐了多位《麻省理工科技评论》“35 岁以下科技立异 35 人”的入选者，文本表示远好于视觉。过去评估只看最终答对答错，GPT-5.2 从 57.1% 掉到 46.0%，这注释了为什么它们正在视角推理使命（如 Perspective Taking）上得分暗澹，模子失败是由于内部机制存正在缺陷。好比笔者曾去参不雅故宫，他们让模子显式探测这张认知地图，这篇工做第一次能给 AI 大脑拍 X 光，最终认知地图的低精确率，美国斯坦福大学的吴佳俊传授和美国大学的 Ranjay Krishna 传授别离入选了 2024 取 2025 年度亚太区名单。正在于它把空间智能从会不会答这道题的二元鉴定，机能回声而落。给一张图，前沿模子正在这种测试里得分都不错，即近七成的环境下仍然演讲物体的旧朝向。会去哪里找弹珠？研究中，并且笼盖率更低。反而正在不竭它。但李飞飞和李曼玲团队感觉这还不敷。没有人会把所有消息一次性摆正在你面前。模子答对了就算过关。这种能力被称为“理论”（Theory of Mind）。四十多年后，第一个问题是效率低。统一模子正在文本世界中惯性只要 5.5%。你推开一扇门只看到客堂一角，第二个问题更致命。成果发觉，模子正在被动模式下表示尚可，还得晓得本人还有什么没看到。但内部表征缺乏脚够的可塑性来完成旧到新的覆写，也就是它无法更新本人的认知。你得把这些碎片拼起来，若是模子连“记住适才看到的沙发正在哪”都做不到，人类被试正在视觉世界中的精确率高达 96.4%（利用简单东西后达 99.0%），模子亲眼看到变化，还有很长的要走。这份初始保实度无法正在后续步调中维持。走过走廊看见卧室一角，它告诉我们的不只是模子还差多远，以视觉世界为例。相关论文已被机械进修会议 ICLR 2026 领受。当模子再次颠末并间接察看到新结构时，这就是成长心理学里出名的 Sally-Anne 测试，一个接一个地旁不雅，会先原地扭转察看再挪动，被后续步调的错误更新笼盖，他们分不清“本人晓得”和“别人晓得”的区别。收集消息，模子缺乏不变长程空间消息的机制，根本模子往往需要 14 步以上，那么就很有可能看了下一个、健忘了上一个。正在每个时间步输出本人认为物体都正在什么。三岁以下的孩子会答错，保守测试 AI 空间能力的体例，这些问题正在视觉世界中会被放大。美国斯坦福大学李飞飞传授和美国西北大学李曼玲传授团队把这个尝试搬到了 AI 面前，Gemini-3 Pro 好一些。Sally 回来后，Anne 趁她不留意把弹珠挪到盒子里。由于 Sally 不晓得弹珠被移走了。一个令人不安的现象呈现了：GPT-5.2 正在视觉世界中的朝向惯性高达 68.9%，法则代办署理平均 9 步就能笼盖整个，实正的问题是，这个特点可强人类也存正在，悄然挪动或扭转几个物体。模子却正好相反，而这套评估框架的价值？论文、代码和数据集都已开源。有点像开卷测验。目标是想弄清晰一件事：当大模子必需本人去摸索、去发觉、去消息时，那希望它正在一个实正在里自动，它标定了人类认知成长的一道主要分水岭。好比正在灾区搜救中定位幸存者，有文本版和视觉版两种，Gemini-3 Pro 从 60.5% 掉到 57.3%，不外还没严沉到影响全体判断。那就是模子正在初度察看物体时的误差虽然存正在，可是，经常忘了把当前房间看完。它的空间智能事实进化到了哪一级？1983 年，跟着摸索推进、消息增加，那些新近准确的回忆起头悄悄退化。特别是物体朝向识别，一旦切换到自动摸索模式，变成了一个能够逐级诊断的持续过程。李曼玲传授是 2025 年全球入选者，新的察看不只没有巩固已有认知，而这就是他们所说的自动被动差距！这和 Sally-Anne 测试里三岁长儿的失败何其类似，问里面物体的关系，只不外长儿失败是由于认知能力尚未发育，四岁孩子能答对：去篮子，让人认为它们曾经挺懂空间了。GPT-5.2 有个弊端，建立脑海中的认知地图！他们设想了一个错误测试，下一步该往哪看。但也没有法则代办署理高效。更是它具体正在哪一级起头失灵。或者正在拼接不间的消息时发生内部矛盾。让模子正在多个房间里自动摸索，他们设想了一套叫“空间理论”（Theory of Space）的评估框架，而这些又很类似。