OVO-S-Bench: Um Benchmark Hierárquico para Inteligência Espacial em Streaming em LLMs Multimodais

Resumo

Agentes multimodais em robótica, realidade aumentada e direção autônoma precisam raciocinar sobre lugares e layouts a partir de fluxos egocêntricos contínuos, frequentemente utilizando evidências fora do campo de visão atual. Os benchmarks existentes ou avaliam offline sobre vídeos completos ou focam em eventos, em vez de estrutura espacial. Apresentamos o OVO-S-Bench, um benchmark totalmente anotado por humanos para inteligência espacial em streaming, composto por 1.680 perguntas sobre 348 vídeos fonte. A anotação envolveu 12 anotadores treinados, cada um atuando também como revisor cego, em aproximadamente 804 horas-pessoa de garantia de qualidade em múltiplas rodadas. Cada pergunta possui um timestamp de consulta e um intervalo de evidência, e na avaliação, o modelo vê apenas o prefixo anterior à consulta. As perguntas abrangem quatro níveis de abstração crescente: percepção egocêntrica instantânea, rastreamento de contexto espaço-temporal, simulação e raciocínio espacial, e mapeamento alocêntrico. Entre 38 MLLMs proprietários e de código aberto, o Gemini-3.1-Pro fica 27 pontos atrás de especialistas humanos, 59,2 vs. 86,6, sendo o mapeamento alocêntrico o gargalo dominante. Notavelmente, MLLMs ajustados para streaming e espacialidade apresentam desempenho inferior ao de suas próprias bases. Além disso, descobrimos que o raciocínio em cadeia de pensamento amplifica erros espaciais quando não fundamentado no fluxo. Ao expor essas limitações, o OVO-S-Bench estabelece um campo de testes exigente para a próxima geração de MLLMs espaciais em streaming.

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.