Dal macro al micro: valutazione dell'intelligenza spaziale microscopica sulle molecole tramite modelli visione-linguaggio
From Macro to Micro: Benchmarking Microscopic Spatial Intelligence on Molecules via Vision-Language Models
December 11, 2025
Autori: Zongzhao Li, Xiangzhe Kong, Jiahui Su, Zongyang Ma, Mingze Li, Songyou Li, Yuelin Zhang, Yu Rong, Tingyang Xu, Deli Zhao, Wenbing Huang
cs.AI
Abstract
Questo articolo introduce il concetto di Intelligenza Spaziale Microscopica (MiSI), ovvero la capacità di percepire e ragionare sulle relazioni spaziali di entità microscopiche invisibili, competenza fondamentale per la scoperta scientifica. Per valutare il potenziale dei Modelli Visione-Linguaggio (VLM) in questo ambito, proponiamo un benchmark sistematico denominato MiSI-Bench. Questo framework include oltre 163.000 coppie domanda-risposta e 587.000 immagini derivate da circa 4.000 strutture molecolari, coprendo nove compiti complementari che valutano abilità che spaziano dalle trasformazioni spaziali elementari alle identificazioni relazionali complesse. I risultati sperimentali rivelano che gli attuali VLM all'avanguardia ottengono prestazioni significativamente inferiori al livello umano su questo benchmark. Tuttavia, un modello da 7B addestrato in modo fine mostra un potenziale sostanziale, superando persino gli umani nei compiti di trasformazione spaziale, mentre le sue scarse prestazioni in compiti scientificamente fondati, come il riconoscimento dei legami a idrogeno, sottolineano la necessità di integrare conoscenze di dominio esplicite per progredire verso un'AGI scientifica. I dataset sono disponibili all'indirizzo https://huggingface.co/datasets/zongzhao/MiSI-bench.
English
This paper introduces the concept of Microscopic Spatial Intelligence (MiSI), the capability to perceive and reason about the spatial relationships of invisible microscopic entities, which is fundamental to scientific discovery. To assess the potential of Vision-Language Models (VLMs) in this domain, we propose a systematic benchmark framework MiSI-Bench. This framework features over 163,000 question-answer pairs and 587,000 images derived from approximately 4,000 molecular structures, covering nine complementary tasks that evaluate abilities ranging from elementary spatial transformations to complex relational identifications. Experimental results reveal that current state-of-the-art VLMs perform significantly below human level on this benchmark. However, a fine-tuned 7B model demonstrates substantial potential, even surpassing humans in spatial transformation tasks, while its poor performance in scientifically-grounded tasks like hydrogen bond recognition underscores the necessity of integrating explicit domain knowledge for progress toward scientific AGI. The datasets are available at https://huggingface.co/datasets/zongzhao/MiSI-bench.