OVO-S-Bench : Un benchmark hiérarchique pour l’intelligence spatiale en flux dans les LLMs multimodaux

Résumé

Les agents multimodaux en robotique, réalité augmentée et conduite autonome doivent raisonner sur des lieux et des agencements à partir de flux égocentriques continus, en exploitant souvent des indices situés hors du champ visuel actuel. Les benchmarks existants évaluent soit hors ligne sur des vidéos complètes, soit ciblent des événements plutôt que la structure spatiale. Nous présentons OVO-S-Bench, un benchmark entièrement annoté par des humains pour l'intelligence spatiale en flux, comprenant 1 680 questions portant sur 348 vidéos sources. L'annotation mobilise 12 annotateurs formés, chacun servant également de relecteur en aveugle, pour environ 804 heures-personnes d'assurance qualité en plusieurs tours. Chaque question comporte un horodatage de requête et un intervalle de preuve ; lors de l'évaluation, le modèle ne voit que le préfixe précédant la requête. Les questions couvrent quatre niveaux d'abstraction croissante : perception égocentrique instantanée, suivi du contexte spatiotemporel, simulation et raisonnement spatial, et cartographie allocentrique. Sur 38 MLLM propriétaires et open-source, le Gemini-3.1-Pro accuse un retard de 27 points par rapport aux experts humains, 59,2 contre 86,6, la cartographie allocentrique constituant le principal goulet d'étranglement. Il est notable que les MLLM spécialisés pour le flux et l'espace performent moins bien que leurs propres architectures de base. Nous constatons en outre que le raisonnement en chaîne de pensée amplifie les erreurs spatiales lorsqu'il n'est pas ancré dans le flux. En exposant ces limitations, OVO-S-Bench établit un banc d'essai exigeant pour les MLLM spatiaux en flux de nouvelle génération.

English

Multimodal agents in robotics, AR, and autonomous driving must reason about places and layouts from continuous egocentric streams, often using evidence outside the current view. Existing benchmarks either evaluate offline over full videos or target events rather than spatial structure. We introduce OVO-S-Bench, a fully human-annotated benchmark for streaming spatial intelligence, comprising 1,680 questions over 348 source videos. Annotation involves 12 trained annotators, each also serving as a blind cross-reviewer, across roughly 804 person-hours of multi-round quality assurance. Each question carries a query timestamp and an evidence interval, and at evaluation, the model sees only the prefix preceding the query. Questions span four levels of increasing abstraction: instantaneous egocentric perception, spatiotemporal context tracking, spatial simulation and reasoning, and allocentric mapping. Across 38 proprietary and open-source MLLMs, Gemini-3.1-Pro trails human experts by 27 points, 59.2 vs. 86.6, with allocentric mapping as the dominant bottleneck. Notably, streaming and spatially fine-tuned MLLMs underperform their own backbones. We further find that chain-of-thought reasoning amplifies spatial errors when ungrounded in the stream. By exposing these limitations, OVO-S-Bench establishes a demanding testbed for next-generation streaming spatial MLLMs.