何が起きたか

arxiv.orgに2026年8月3日付で掲載された論文によると、SpatioLMは追加の3D事前入力や外部エンコーダーを使わずに、視覚言語モデルの空間知能を向上させる手法を提案。VSI-Benchで71.6点を達成し、70点を超えた初のモデルとなった。

なぜ重要か

視覚言語モデルを空間推論や物体操作に使う研究者にとって、追加の三次元入力や外部エンコーダーを足さずに空間知能を学習できるかが判断材料になります。論文は、疑似深度とカメラ情報を教師に使い、空間認識・理解の評価で一般能力の低下を抑えつつ成績を高めたとしています。