Explorando a Inteligência Espacial sob uma Perspectiva Gerativa
Exploring Spatial Intelligence from a Generative Perspective
April 22, 2026
Autores: Muzhi Zhu, Shunyao Jiang, Huanyi Zheng, Zekai Luo, Hao Zhong, Anzhou Li, Kaijun Wang, Jintao Rong, Yang Liu, Hao Chen, Tao Lin, Chunhua Shen
cs.AI
Resumo
A inteligência espacial é essencial para modelos de linguagem grandes multimodais, no entanto, os benchmarks atuais avaliam-na maioritariamente apenas numa perspetiva de compreensão. Questionamo-nos se os modelos generativos ou unificados multimodais modernos também possuem inteligência espacial generativa (GSI), a capacidade de respeitar e manipular restrições espaciais 3D durante a geração de imagens, e se tal capacidade pode ser medida ou melhorada. Apresentamos o GSI-Bench, o primeiro benchmark concebido para quantificar a GSI através de edição de imagens espacialmente fundamentada. Este é composto por dois componentes complementares: o GSI-Real, um conjunto de dados de alta qualidade do mundo real construído através de um pipeline de geração e filtragem guiado por *prior* 3D, e o GSI-Syn, um benchmark sintético de grande escala com operações espaciais controláveis e etiquetagem totalmente automatizada. Juntamente com um protocolo de avaliação unificado, o GSI-Bench permite uma avaliação escalável e independente do modelo da conformidade espacial e da fidelidade de edição. Experiências mostram que o *fine-tuning* de modelos multimodais unificados no GSI-Syn produz ganhos substanciais tanto em tarefas sintéticas como reais e, surpreendentemente, também melhora a compreensão espacial a jusante. Isto fornece a primeira evidência clara de que o treino generativo pode fortalecer tangivelmente o raciocínio espacial, estabelecendo uma nova via para o avanço da inteligência espacial em modelos multimodais.
English
Spatial intelligence is essential for multimodal large language models, yet current benchmarks largely assess it only from an understanding perspective. We ask whether modern generative or unified multimodal models also possess generative spatial intelligence (GSI), the ability to respect and manipulate 3D spatial constraints during image generation, and whether such capability can be measured or improved. We introduce GSI-Bench, the first benchmark designed to quantify GSI through spatially grounded image editing. It consists of two complementary components: GSI-Real, a high-quality real-world dataset built via a 3D-prior-guided generation and filtering pipeline, and GSI-Syn, a large-scale synthetic benchmark with controllable spatial operations and fully automated labeling. Together with a unified evaluation protocol, GSI-Bench enables scalable, model-agnostic assessment of spatial compliance and editing fidelity. Experiments show that fine-tuning unified multimodal models on GSI-Syn yields substantial gains on both synthetic and real tasks and, strikingly, also improves downstream spatial understanding. This provides the first clear evidence that generative training can tangibly strengthen spatial reasoning, establishing a new pathway for advancing spatial intelligence in multimodal models.