展示而非說明：針對生成式畫素的空間認知評估標準
為何重要
此研究解決了影像生成模型在空間推理評估上的工具缺失，改變了看待生成式模型能力的視角——它們不僅僅是畫圖，更開始具備與物理世界互動所需的幾何與邏輯能力。對於致力於開發高階 Agent（智慧代理人）的開發者與產業而言，這建立了未來評量模型物理模擬與操作能力的新標竿。
為協助 Agent 從靜態語義理解邁向互動物理世界，研究者指出現有空間推理基準通常要求文字回答，與生成式影像模型直接輸出畫素空間的屬性產生介面不匹配問題。隨後提出的 ProVisE 框架允許模型產生受限的視覺答案，並將其解析為可計算的結構預測，包含一個 Agentic builder 協助建構測試協定。
- 新框架 ProVisE（Protocolized Visual Evaluation）範本中立，具備 Agentic builder 來建構及驗證特定任務的協定。
- 推出版位測試標準 SpatialGen-Bench，包含 470 組樣本、14 個子任務以及 4 個能力等級。
- 評估結果顯示影像生成模型在可透過畫素表達的空間任務上具備競爭力，但文字輸出型 VLM 在組合式空間推理上仍保持明顯優勢。