**视觉基础模型的空间状态表征能力研究：从结构感知到行动效用**

_Probing Spatial State Representations in Visual Foundation Models_

> 研究通过流式自我中心观测，利用冻结特征探针评估了视觉基础模型在空间结构、物体持久性、预测更新及行动性四个层面的能力。结果显示，模型对可见场景的强读取并不保证物体持久性或未来特征检索的准确性；虽然原生预测保留了可恢复的空间结构，但基于真实特征的读取器无法直接迁移至预测特征。此外，目标依赖的候选选择未能建立可靠的连续行动效用。研究结论表明，物体持久性和行动性依赖于相机姿态读取，而特征预测则依赖于可见场景读取，这为评估空间表征的维持、预测及行动效用提供了新视角。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-11-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.40636)