**GST-Bench：VLM能从视频中发展全局空间感知吗？**

_GST-Bench: Can VLMs Develop Global Spatial Awareness from Video?_

> HuggingFace 发布 GST-Bench 基准，评估视觉语言模型从视频中构建全局空间感知能力。测试 22 个主流 VLM，最强零样本模型仅得 42.68 分，远低于人类 79.08 分。研究发现模型虽具备局部空间理解能力，但无法将长时间观察整合为全局一致的场景表示。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-07 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2608.05747)