SpaceCast-Bench: valutare il ragionamento spaziale predittivo nei modelli visione-linguaggio

Abstract degli autori

I benchmark esistenti sul ragionamento spaziale mettono alla prova soprattutto la percezione spaziale: il riconoscimento di relazioni già visibili nell’input. Eppure, l’intelligenza spaziale nel mondo reale richiede un ragionamento spaziale predittivo: costruire una scena a partire dalle osservazioni, anticipare come un intervento la modificherà e ragionare sull’esito non osservato. Presentiamo SpaceCast-Bench, il primo benchmark che valuta questa capacità direttamente e in modo diagnostico. Basato su uno schema che prevede di osservare, trasformare e inferire, comprende 3.862 domande relative a 182 scene del mondo reale e copre 16 tipi di compiti su tre livelli: percezione statica, previsione locale e previsione globale. Questi livelli richiedono progressivamente la comprensione della scena, l’aggiornamento dello stato spaziale e l’inferenza relazionale su esiti non osservati. La valutazione di 21 modelli rivela un netto divario: il modello più efficace raggiunge appena il 58,0%, contro l’87,2% degli esseri umani, mentre i modelli specializzati nel ragionamento spaziale restano vicini al livello del caso. Analisi controllate mostrano inoltre che le viste di collegamento sono fondamentali per integrare osservazioni distribuite e che evidenze 3D esplicite aiutano i modelli in modo più affidabile rispetto a immagini o video generati dell’esito. Il fine-tuning sui nostri dati generati programmaticamente porta Qwen3-VL-4B dal 34,0% al 65,7%, con miglioramenti della media macro in sei benchmark fuori dominio.