Benchmark Radar 第 95 天：会回答空间问题，不等于会在空间里行动
Published:
Benchmark Radar 第 95 天。会回答空间问题，不等于会在空间里行动。本轮抓取 1,308 条，发布 568 条，其中 250 条标为推荐。
Benchmark Radar 已上线。 打开仪表盘、在 GitHub 上 Star，或阅读论文。数据见 Hugging Face 数据集。
BEHAVIOR-Spatial 检验视觉语言模型给出的空间答案，能否迁移到模拟机器人中的视觉语言动作行为。它的组成部分把回答空间问题与预测和执行动作分开评估，不把视觉理解当作具身能力的替代指标。问答分数高，不再被默认等同于与动作相关的空间能力。 behavior-spatial-benchmark/BEHAVIOR-Spatial。
Tech Graphics Benchmark 把提示词、生成图像和清单、原始人工评分分别发布为相互关联的数据集。生成方身份被隐藏并打乱顺序，标注者在保存评分后才能看到模型身份。这套盲审设计用来评判生成技术图形中的文本、箭头和布局，让模型名气没有机会影响评分。 danielrosehill/Tech-Graphics-Benchmark-Ratings。
为什么要在意
替代指标只有在能预测它所代表的能力时才有价值。视觉理解该在行动里测，人工评分该盲评并分开公布，这样分析能重跑，模型身份也影响不了分数。
扫描范围
这是按关键词筛选的发现信息流，不能代表全部 AI 研究。归档简报使用了所收录 568 条证据中的 135 条。本文概述其中引用的发布成果；扫描发现日期不一定是成果的最初发布日期。
数据与简报：2026-10-29 归档快照。