上一篇
Baichuan4-Finance是什么？一文让你看懂Baichuan4-Finance的技术原理、主要功能、应用场景
VSI-Bench是什么？一文让你看懂VSI-Bench的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
VSI-Bench概述简介
VSI-Bench（Visual-Spatial Intelligence Benchmark）是李飞飞、谢赛宁及他们的研究团队推出的视觉空间智能基准测试集，研究者构建用在评估多模态大型语言大模型（MLLMs）在空间认知和理解方面的能力。VSI-Bench包含超过5000个问题-答案对，覆盖近290个真实室内场景视频，涉及住宅、办公室和工厂等多种环境。VSI-Bench任务分为配置型任务（如物体计数、相对距离等）、测量估计（如物体尺寸、房间大小等）和时空任务（如物体出现顺序），能系统地测试和提高MLLMs在视觉空间智能方面的表现。
VSI-Bench的功能特色
评估视觉空间智能：量化评估多模态大型语言大模型（MLLMs）的视觉空间智能，包括对空间关系的感知、理解和记忆能力。
基准测试：提供标准化的测试集，包含5000多个问答对，用在基准测试和比较不同MLLMs在视觉空间任务上的性能。
任务多样性：包括配置型任务（物体计数、相对距离、相对方向、路线规划）、测量估计（物体尺寸、房间大小、绝对距离）和时空任务（物体出现顺序），全面覆盖视觉空间智能的多个方面。
视频理解：基于视频输入，VSI-Bench测试MLLMs对连续、时间性输入的理解，比静态图像更接近人类观察世界的方式。
数据质量和控制：基于人工审核确保数据质量，消除歧义和错误标注，提高测试结果的可靠性。。
VSI-Bench的技术原理
数据集构建：基于多个公共室内3D场景重建数据集（如ScanNet、ScanNet++和ARKitScenes），数据集提供高保真度的视频扫描和对象级别的3D注释。
问题-答案对生成：基于数据集中的元信息（如对象类别、边界框）和问题模板自动生成问题-答案对，同时对路线规划任务进行人工标注。
质量控制：实施人工审核流程，确保问题清晰无歧义，对错误或模糊的问题进行溯源和修正。
模型评估：在零样本设置下评估多种视频支持的MLLMs，用默认提示进行测试，采用精确匹配和模糊匹配作为主要评价指标。
性能指标：对于多项选择题（MCA）任务使用准确度（ACC），对于数值答案（NA）任务引入新的度量标准——平均相对准确度（MRA）。
认知图生成：提示MLLMs预测视频中对象的中心位置，生成认知图，评估模型的内部空间表示和记忆能力。
VSI-Bench项目介绍
项目官网：vision-x-nyu.github.io/thinking-in-space
GitHub仓库：https://github.com/vision-x-nyu/thinking-in-space
HuggingFace模型库：https://huggingface.co/datasets/nyu-visionx/VSI-Bench
arXiv技术论文：https://arxiv.org/pdf/2412.14171
VSI-Bench能做什么？
机器人导航与交互：在机器人技术领域，评估和训练MLLMs，更好地理解空间布局，提高机器人在未知环境中的导航和避障能力。
增强现实（AR）/虚拟现实（VR）：在AR/VR应用中，帮助MLLMs更好地理解用户的物理空间环境，提供更自然的交互体验。
自动驾驶汽车：自动驾驶系统需要精确的空间理解能力处理复杂的交通场景，用在开发和测试支持自动驾驶的视觉空间智能系统。
智能家居系统：智能家居系统需要理解居住空间的布局和物体的位置，VSI-Bench帮助训练MLLMs，使其更好地服务于智能家居控制和自动化。
室内设计和建筑规划：评估MLLMs在空间规划和设计中的应用，帮助系统提供更合理的布局建议。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
UIGEN-T1-Qwen-7b
UIGEN-T1-Qwen-7b 是一个专注于 UI 推理生成的大型语言模型。它通过复杂的推理链路方法生成基于 HTML 和 CSS 的 UI 组件，...
Needle
Needle 是一款专注于提升工作效率的知识串联平台。它利用 AI 技术，将企业内部的各类数据进行整合，打破信息孤岛，让用户能够在短时间内找到所需信息...
Bossjob
Bossjob是菲律宾、新加坡和印尼的首要职业发展聊天平台。发现理想工作，发布职位，与雇主连接人才。加入我们，开启职业生涯的新篇章。...
Melty
Melty是一款开源的AI代码编辑器，它能够理解用户从终端到GitHub的操作，并与用户协作编写生产就绪的代码。由Charlie和Jackson开发，...
Wikiwand
Wikiwand是一个基于AI技术的维基百科增强平台，它通过智能搜索、时间线、Map、词典、热门问题等功能，为用户提供更快速、更深入的学习和探索体验。...
FaceTune.ai
FaceTune.ai是一款结合了面部情绪识别技术和个性化音乐体验的智能应用。它通过实时分析用户的面部表情，生成或推荐符合用户情绪的音乐，提供沉浸式的...
AI Job Interview Coach
AI面试教练是一个完整的AI面试辅导平台，提供个性化辅导和专家指导，帮助你自信备战面试。通过计划、练习和改进，你将在面试中取得优异成绩。我们的AI教练...
Grafi.ai
Grafi.ai是世界上首个专为医疗内容创作者打造的AI辅助撰写工具。它提供基于数据库、科学期刊和自己收集或核查的内容的高质量长文内容。Grafi.a...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
