普林斯顿AI Lab推出SSoN空间智能测试：人类83.3%，最强VLM仅39.7%

AI 到底能不能看懂三维空间？

规划下一步怎么动、杯子被挪开后马上调整、抢在环境变化前把操作做完——动态任务对 AI 的空间要求越来越高。这些行为底下压着一个基本问题：眼前的物体都在哪，换个视角看过去，前后能不能对得上？

普林斯顿 AI Lab 的研究者给出了新考题 Same Space or Not（SSoN）。他们把实时变化和动作控制都拿掉，只留四张静态室内图，让模型挑出其中不符合同一场景的那张，并说明理由。

• 项目主页：https://sson.aisexam.com/

• 论文链接：https://arxiv.org/abs/2610.23959

• 数据集：https://huggingface.co/datasets/HuiziCao/SSoN

• 代码链接：https://github.com/sson-benchmark/SSoN

• 微调权重：https://huggingface.co/HuiziCao/SSoN-Qwen2.5-VL-7B-LoRA

成绩出来后，差距摆得很清楚：

低于 25% 是怎么回事？那是等概率盲猜的期望值，不是能力下限。SSoN 特意造了一批“看着像变了、空间上其实没错”的强干扰视图。模型如果只看出外观不一样，却判断不了这种差异是不是视角造成的，就容易被系统性带偏，分数反而掉到盲猜以下。这说明的不是没有视觉能力，而是从识别差异到理解空间，中间还缺一截。

至于 39.7%，也只是选对了答案而已，有些回答给出的理由根本立不住。

17 个视觉编码器为什么全在随机线以下？让模型真去做三维重建，怎么还是答不对一半？这张考卷把“空间智能卡在哪”一层层剥开了。

图 1 展示了 SSoN 任务以及完整 1,000 题上的表现：人类答案的准确率为 83.3%，参测 VLM 中最高只有 39.7%。柱状图还把两类正确选择分开呈现——一类有充分证据支撑，另一类解释站不住脚。

空间智能的集体偏科：

交换和细节相对容易，旋转和移动却成了共同盲区

SSoN 的规则不复杂：四张图里，三张拍的是没动过的三维场景，一张来自编辑后的版本。没有指定的“正确参考图”，也没有提前标好的异常物体。哪些观察能互相印证、哪一张跟它们没法共存，得由模型自己判断。

图中的篮球就是个缩影。B 和 D 一起确认了它的位置；C 没拍到那个位置，还露出了别的视图没展示的物件，不过这都能用视角变化解释。A 却拍到了篮球本该在的地方，球还是没出现。要害在于空间关系能不能自洽，光凭“看起来不一样”很容易选错。

按题型拆开看，六类编辑大致分出三个难度层次，当前模型的空间能力缺口也各有不同。

交换和细节变化，是模型相对拿手的部分。两个物体互换位置，或者同一个物体的形状、颜色、纹理等外观变了，都能提供物体对应和外观差异的线索。六个受测模型在这两类上的准确率，都高于各自的整体成绩；表现最好的 Astra Pro 两类都在 80% 以上。

镜像和删除排在中间层，可对多数模型还是很难。镜像题要判断房间结构是不是真左右翻转了，得排除相机换边带来的视觉变化；删除题则要分清“物体真的没了”和“只是被挡住、移出了视野”。看不见，不代表不存在。镜像题上，除 Astra Pro 外，其余五个模型全部低于 25% 的随机基线；删除题上，这五个模型里最高的也只有 Sol Pro 的 42.57%。

移动和旋转，暴露的是更普遍的几何推理短板。六个模型在移动题上准确率最高只有 27.20%；旋转题更低，最高也才 9.54%。人类在这两类上都到了 70% 以上。后面的实验里，就算明确告诉模型六类编辑分别是什么，这两类的分数也没能有效提上来。

椅子在画面里换了位置和朝向，是椅子动了，还是相机动了？房间里要是还有几把长得一样的椅子，模型得先认准是同一个实例，再结合桌子、墙面这些参照物判断它的位置和方向。认出物体、发现外观差异之后，还有“理解三维关系”这一关要过。

SSoN 把这类考验扩展到七个室内场景来源，覆盖交换、细节变化、镜像、删除、移动和旋转六类三维编辑。1,000 道题、4,000 张图像，让总分底下的能力差异逐一显现：哪些变化模型已经比较容易捕捉，哪些空间关系仍然会让它们集体失分。

图 2｜七个场景来源、六类三维编辑，以及不同图像格式和物体尺度。视角变化可以制造视觉差异，真实编辑也可能只留下局部线索。

换成 17 个视觉编码器，仍然全部低于随机线

换个思路呢？既然只有一张异常图，直接找出跟另外三张最不相似的那张，是不是就行了？

研究者拿 CLIP、ViT 和 DINOv2 系列共 17 个视觉编码器试了这个办法。按图像特征相似度挑离群视图，准确率只有 16.9% 至 21.7%，全部低于 25% 的随机基线。

这个结果把强干扰的作用具体摆了出来：正确的新视角可能改变大片可见内容，真实编辑却可能只留下局部线索。靠全局外观差异来选，没法可靠地区分这两种情况。

VLM 同样会被表面差异带偏。开发阶段的诊断实验里，合法但容易误导的视图招来了更多错误选择；把它换成清晰的正面参照后，多类题目的成绩明显改善。这一换既减少了干扰，又增加了直接证据，困难的位置也更清楚：变化摆在眼前能认出来，不代表换个视角还推得出来。

人可以先临时站到一个陌生的视角上，再去核对那些与其他画面存在关联的物体。SSoN 要检验的，就是模型能不能走完这一步，把不同视角的信息整合到一起。

选对了，解释也未必站得住——近三成答案过不了这一关。

低分固然扎眼，但更该留意的是另一件事：有些选项选对了，背后的空间判断却未必正确。

模型可能挑了 A，却说某个压根没动过的物体被挪了位置；也可能给出的是事实，却不足以排除别的视图。光看 A、B、C、D 四个字母，这些回答都会被算成答对。

所以 SSoN 把答案和证据放在一起查。True solve 的门槛是：选择正确，同时解释要符合图像事实，足以支撑跨视角的矛盾判断。

接近三成的正确选择拿不出有效支持，可见“选对了”顶不上“说清楚为什么”。这项检查盯的是模型写出来的解释，并不去推断它内部到底怎么想的。

那会不会是题目本身太绕，根本没有足够证据可用？

SSoN 在出题和阅卷两头都做了核验。构建阶段，要求异常图以及至少两张正常视图能提供可用证据，把多解题和明显的渲染捷径排除掉；阅卷阶段，所有选对的模型回答都由人工复核证据。超过 10,000 个开发候选题反复迭代，人工发现的问题不断转化为新的生成约束，最后留下这 1,000 道题。

考卷得有解，答案也得有据，模型才谈得上真正指出场景里的矛盾。

图 3｜SSoN 对题目证据和唯一答案的保障分两步：先自动检查，再逐题人工核验，同时排查视觉捷径。至于解释评价，则另行覆盖全部正确选择，最终标签由人工确定。

提示、重建、相机参数，哪一样能把分数拉起来？

困难既然出在跨视角推理上，那多教模型一点解题方法，或者让它实打实重建一次三维场景，成绩会不会不一样？

研究者另外挑了 100 道题组成干预集，这组题目的原始答案准确率为 24%、True solve 为 12%。后面的比较都在这组固定题目里做。

先看提示。研究者引导模型去找环境参照、匹配物体、判断遮挡，或者先描述一遍场景布局；也直接把六种可能的编辑类型告诉它，但不透露当前题目属于哪一类。指导与编辑类别知识合在一起用时，准确率达到 48%，True solve 为 34%。提示确实帮上了忙，可模型还是没答对一半。

那让模型真的做一次三维重建，再检查相机视角呢？这套经过执行核验的完整流程拿到 47% 的准确率、34% 的 True solve。删除和细节类表现较好，移动与旋转仍然吃力。看来只把三维重建塞进解题过程，还不足以补上几何判断的短板。

改善最明显的一次，来自直接把真实相机信息交给模型。

在比较指导的基础上，加入 ground truth 相机内参、外参和图像尺寸后，准确率升到 61%，True solve 升到 48%。模型由此拿到成像几何以及相机相对位置、朝向的信息，不必完全靠图像自己去推这些关系。

移动类题目尤其明显：比较指导条件下，准确率和 True solve 都是 20%；加入相机信息后，两项都升到 70%。这提示，相机几何能帮模型分清“物体在画面里动了”和“物体在房间里动了”。

但 61% 与 48% 之间还差着一截。即便拿到真实相机参数，这 100 题里证据充分的正确回答仍不到一半。提示、工具和几何信息能缓解困难，却没让跨视角理解变得可靠。

空间智能能不能练出来？在没见过的房间里，成绩接近翻倍。

推理时给的帮助还不够，那专门训练这种能力又会怎样？

研究者对 Qwen2.5-VL-7B 做微调，并按关联房间和场景家族把 train、val 和 test 隔开。模型最终面对的是来自未见房间的 201 道测试题。

不微调时，准确率为 21.89%；只监督答案，升到 33.33%；推理依据和答案一起监督，达到 41.79%。跟原始模型相比，准确率接近翻倍。

差别在于训练时有没有告诉模型“证据为什么支持这个答案”。推理依据监督还会给出变化类型、相关物体和支持视图，让模型学着把跨视角证据和最终选择挂上钩；测试时它仍要自己看图作答。

旋转类题目的变化最明显。只用答案监督时，这一类准确率是32.84%；把推理依据一并加进去，数字抬到58.21%。四张图的选项顺序被打乱后，平均准确率和跨顺序一致答对比例同样有起色。

这条线索值得接着追：空间一致性判断能靠定向监督拉上来，还能迁移到训练时没见过的房间。不过改善并不均匀，推理依据多出来的整体增益，也要靠更多训练重复来验证。至少这张考卷已经点出，哪些能力是可以补上的。

AI 要走进物理世界，得先学会理解同一个世界。SSoN 提的要求并不复杂：相机动了，场景未必变；图像变了，空间关系照样可能对得上。

动态空间智能要把观察变成规划、决策和行动，而可靠地读懂眼前的空间，是这些行为的地基。SSoN 把动作控制和实时变化先搁到一边，让这块地基能被单独检查：模型能不能把不同视角拼起来，接受合理的视觉差异，再揪出真正的场景矛盾？

AI Vision Exam 这张考卷，用受控的室内场景把这项能力单独拎出来考。83.3% 对 39.7% 的差距，照出了当下的短板；提示、几何和训练实验则指了继续追问的路：到底需要什么样的模型和监督，才能让 AI 换个视角之后，还认得同一个三维世界？

也欢迎读者自己去试这套题，带上你的模型，来考一考空间智能。

作者信息

SSoN 由普林斯顿大学 AI Lab 团队完成。第一作者 Huizi Cao 是卡尔顿学院本科生，曾以第一作者身份在 Nature Medicine 发表论文；团队里还有来自宾夕法尼亚大学、Adobe Research 的研究者。项目由普林斯顿大学 AI Lab 的 Shilong Liu 教授、Mengdi Wang 教授和西北大学的 Manling Li 教授共同指导。