浙大团队提出ProVisE框架：让生成式模型通过图像作画回答空间问题

浙江大学OmniAI团队提出ProVisE框架，旨在让图像生成模型通过直接在图像上作画（如标记目标、绘制轨迹）来回答空间问题，而非强制输出坐标或文本。团队同时构建了涵盖14项子任务的SpatialGen-Bench基准，评测发现图像生成模型在空间直觉任务上具备竞争力且与文本VLM形成互补，但文本VLM在抽象推理上仍保持领先。该研究为探索视觉模型的空间认知能力提供了新路径，指出理解、生成与验证的协同或将更接近通用空间智能。