让模型自己举着相机建 3D 图，最好的只拿 41.71

过去考「空间智能」的标准姿势是给模型一张图，问沙发在电视左边还是右边。这种题考的是识别，不是空间——答对可能只是靠图文对齐里学到的统计规律，根本没建立起三维坐标。10 月 22 日挂上 Hugging Face 每日论文榜的一项工作，把题型彻底换了：不给选择题，让模型自己举着相机去探索房间。

一、发生了什么

据论文预印本（arXiv 2610.26659）及行业报道，北京大学团队联合天津大学构建了 SpatialScout 基准，代码以 CC BY 4.0 开放。考法是：给模型一张初始 RGB 图、一份物体清单和相机参数，让它用十个工具自己移动相机、拍图、三角化观测、提交每个物体的三维中心，预算是 100 次调用和 100 张图。场景集为 80 个室内场景、共 3140 个目标物体。七个前沿模型同场考试，按官方口径：Claude Opus 5.5 平均 IoU 41.71，已是最高分；GPT-6 Astra 33.16；Claude Sonnet 5.5 32.26；再往下断崖，Qwen3.8 Max 只有 6.80，Kimi-K3 4.22，DeepSeek V4.1 Flash 3.48。分析 40 条轨迹后，最常见的失败不是位置偏，而是漏——34 条失败轨迹里 26 条覆盖不全，干脆没把物体标出来。

二、跟你有什么关系

做多模态模型的研究者：这说明「视觉常识」和「空间能力」是两种能力，选型时榜单分数不能互推。

具身智能从业者：主动探索、多视角关联、几何估计，这套考察正是机器人上楼干活要用的底层能力，基准暴露的短板就是行业短板。

普通用户：暂时感知不到，但机器人管家能不能找到你家的杯子，取决于这类能力什么时候从 41 分涨到 90 分。

三、怎么用

1. 复现成本低，代码开源，想评测自研模型可以直接跑 80 个场景的公开集。
2. 对比模型时先看「仅对已提交物体」的口径分，Claude Opus 5.5 在该口径下是 46.69，漏标行为对平均分的拖累要看清。
3. 训练侧可以重点学高分轨迹的共同点：大量多视角几何验证、增量提交、再回头修正，这个工作模式本身就有参考价值。还有个反例值得记：低分模型的通病是频繁挪相机却少建图，无效视角同样消耗上下文，探索要讲效率。

四、三个别信的说法

模型能力强分数就该高。 Qwen3.8 Max 和 Kimi-K3 都是头部模型，在这里只有个位数分数。能力是分维度的，对话和推理的强项不会自动迁移到主动建图。

给模型三角化工具就能解决问题。 论文明确指出，三角化残差低不代表像素标对了目标，21 条轨迹里位置大幅偏差但几何残差依然低。几何管线再精确，也判断不了模型看的是不是那个东西。

分数低说明基准有问题。 探索预算紧、奖励信号少，确实苛刻，但苛刻的考试才照出真实差距，60 分都不到的领域谈不上接近可用。

五、一句话结论

空间智能的及格线还远在前面，会看图不等于会建图，这场考试值得所有做多模态的人盯紧。

信息来源

• 行业报道：前沿视觉模型在主动 3D 建图上的成绩（2026-10-23）
• 论文预印本 arXiv 2610.26659（2026-10-22）

功能与价格以官方公告为准。本文写于 2026 年 10 月 24 日。