**哪种预训练范式更好地服务于空间智能？视觉语言模型与视频生成模型的实证比较**

_Which Pretraining Paradigm Better Serves Spatial Intelligence? An Empirical Comparison of Vision-Language and Video Generation Models_

> 这篇论文首次系统比较了视觉语言模型（VLMs）和视频生成模型（VGMs）在空间智能任务中的表现。研究通过轻量级探测方法，在语义标记、实例分组和3D几何预测三个维度上评估了两类模型的冻结表征能力。结果显示，VLMs在语义任务上更强，而VGMs在几何和运动信息上更有优势。初步融合两者可获得兼顾几何与语义的优秀表征，为构建更强的空间智能基础模型指明了方向。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.28132)