如果你问一个人 “杯子在哪？”，他通常会直接用手指给你看，而不是面无表情地回答：“目标位于屏幕横坐标 345 至 412、纵坐标 512 至 600 的边界框内”。然而，在现有空间认知评测中，我们却一直在强迫 AI 用这种 “反直觉” 的坐标方式来证明自己的空间认知能力。
空间判断本来就活在连续的视觉场景里，但现有 benchmark 几乎都要求模型用坐标、选项或文字作答。这对文本 VLM 已不够自然，天然工作在像素空间、本可直接 “画” 出答案的图像生成模型更是被挡在门外。
生成式模型会不会是承载空间认知更自然的载体？如果让模型直接把答案 “画” 出来，怎样让它把空间判断表达清楚？在不依赖人工的情况下，如何准确判断它画得对不对？进一步看，生成式模型与文本输出 VLM 在不同空间任务上的能力差异究竟在哪里？
近日，浙江大学 OmniAI 团队在《Show, Don’t Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text》中提出 ProVisE，让图像生成模型直接在图中回答空间问题，并将视觉答案还原为原 benchmark 可以评分的结构化预测。
- 论文链接：https://arxiv.org/abs/2607.21072
- 项目地址：https://zju-omniai.github.io/ProVisE/
- Github 链接：https://github.com/ZJU-OmniAI/ProVisE
- Benchmark 链接：https://huggingface.co/datasets/wx91726/SpatialGen-Bench
视频链接：https://mp.weixin.qq.com/s/M78bQEqADqvY4GufqZ4-iA
ProVisE：生成模型如何 “画出答案”？
为了让生成模型能够以自己擅长的方式回答空间问题，我们提出了 ProVisE（Protocolized Visual Evaluation）框架。它不再要求模型输出干巴巴的文本或坐标，而是通过视觉协议，引导模型直接在图像上 “作答”：标记目标、填充方向网格、生成深度图、涂出目标区域，或者画出机器人的运动轨迹。
视觉协议是 ProVisE 的基本单元。每套协议都包含一段 guidance prompt，规定模型应该怎样展示答案；同时配有对应的 parser，将生成图像中的颜色、位置、区域等恢复为结构化预测。
整个流程可以概括为三步：首先，Protocol Router 根据任务选择合适的视觉协议；随后，图像生成模型按照 Guidance Prompt 产生可解析的视觉答案；最后，Protocol Parser 将像素结果转换成原 benchmark 所需的标签、点、掩码、状态或轨迹。
文本输出 VLM 直接生成结构化答案；图像生成模型通过视觉协议生成图像答案，再由 parser 恢复为原任务所需的预测。
Agentic Builder：自动化构建视觉评测协议
为了应对形式各异的空间 benchmark，我们在 ProVisE 中内置了Agentic Protocol Construction框架，根据任务的输入、答案结构和评分规则，自动构建相应的 “生成 — 解析” 协议。
Agentic Builder 根据任务选择 Reuse、Build 或 Fallback 路径，构建并验证对应的视觉协议。
Agentic Builder 逐任务扫描数据、输入形式、答案结构和评分规则，将其统一为任务规范；随后根据任务特点选择三种协议构建模式：
- Reuse:直接复用兼容的已有协议
- Build: 利用已注册的解析组件组装新协议
- Fallback: 在确定性组件无法覆盖时，由辅助 VLM 解析生成图像并恢复结构化预测
协议构建完成后还需经过验证，确保视觉答案能够正常生成、解析并接入原指标；通过后即被冻结，用于所有图像生成模型的评测。
正如下图例子展示，模型可以直接把目标公交车点出来，把机械臂的移动轨迹画在原图上；判断 A、B 两点谁更近时，就生成一张深度图。面对 “缆车上还能否再坐一个人” 这样的问题，模型会把第二位乘客补到座椅上，直观展示空间是否足够。随后，相应的解析器再将这些图像答案转换为坐标、选项或轨迹。
图中展示了图像生成模型从任务输入、视觉作答到结果解析与评估的完整过程。
SpatialGen-Bench：全面刻画空间认知能力
为了系统描绘空间认知能力，我们构建了 SpatialGen-Bench，涵盖从直接视觉感知、场景理解、空间推理到具身交互的 14 项子任务：
- 空间感知：考察模型从画面中提取基础几何与空间属性的能力，包括计数、相对深度、朝向和尺寸比较
- 空间理解：要求模型整合多个物体及不同视角的信息，形成对物体关系与整体场景的理解，包括目标 grounding、关系分析、视角判断和场景建模
- 空间推理：在场景理解基础上，检验模型能否结合空间关系和物理约束进行多步推演，包括多步推理、状态预测和几何可行性判断
- 空间交互：进一步将空间认知延伸至行动，考察模型能否据此作出决策，包括可供性 grounding、导航和轨迹规划
SpatialGen-Bench 将 14 项任务组织为感知、理解、推理和交互四个层级。
Leaderboard
Claude Fable 5 与 GPT-5.6 Sol 均超过 80 分，与 Kimi K3 一起霸榜前三，GPT-5.4 得分为 61.04；图像生成模型中，GPT-5 Image 2 以 54.49 分排名第一。
生成模型的空间能力怎么样？
在 SpatialGen-Bench 上，我们比较了 20 个文本输出 VLM 和 11 个图像生成模型。结果显示，两类模型的优势集中在不同任务上：
1.图像生成模型展现出更直接的 “空间直觉”。当任务可以直接用深度图或空间标记回答时，生成模型表现出较强竞争力。直接在像素空间作答，减少了将连续空间关系转换成文字时的信息损耗。
左：两类模型在不同空间任务上的相对优势；右：图像生成模型的失败归因。
2. 在 GPT-5.4 做错的题目中，GPT Image 2 做对了 37%。两类模型做对的并不是同一批题，因而具有明显的互补性。
3.文本输出 VLM 在需要抽象推理的任务上仍占优势。计数、尺寸比较、几何可行性和状态预测，需要统计多个对象、比较尺度、组合几何约束或推演状态变化；在空间推理层级，VLM 组平均领先 17.6 个百分点。
4.生成成功并不意味着空间答案正确。失败归因显示，88.03% 的失败样本已经生成图像并解析出有效预测，只是预测结果错误。主要问题不是图像没有生成或无法解析，而是图中呈现的空间状态不准确。
总结与展望
我们希望这项工作提供一种新的空间智能视角。真正理解物理世界的智能体，不应只是会计算坐标的 “文本机器”，还应能够在像素空间中直接表达并预演空间状态。未来系统也不必在 Show 与 Tell 之间二选一：文本或 latent 表示承担约束规划与组合推理，视觉生成负责呈现空间状态，再由确定性工具完成验证。理解、生成与验证的协同，或许比单纯扩大任一类模型的规模更接近通用空间智能。
团队介绍
浙江大学 OmniAI 团队致力于大模型与智能体、多模态空间推理、具身智能和情感交互等方向的研究。作者王旭为大四本科生，已拟录取至浙江大学；姚凯翔为硕士一年级研究生。张文祺与张旭鸿为共同通讯作者，张旭鸿为 OmniAI 团队负责人。
