Do Macro ao Micro: Avaliando a Inteligência Espacial Microscópica em Moléculas por meio de Modelos de Visão e Linguagem
From Macro to Micro: Benchmarking Microscopic Spatial Intelligence on Molecules via Vision-Language Models
December 11, 2025
Autores: Zongzhao Li, Xiangzhe Kong, Jiahui Su, Zongyang Ma, Mingze Li, Songyou Li, Yuelin Zhang, Yu Rong, Tingyang Xu, Deli Zhao, Wenbing Huang
cs.AI
Resumo
Este artigo introduz o conceito de Inteligência Espacial Microscópica (MiSI), a capacidade de perceber e raciocinar sobre as relações espaciais de entidades microscópicas invisíveis, fundamental para a descoberta científica. Para avaliar o potencial dos Modelos de Visão e Linguagem (VLMs) neste domínio, propomos um benchmark sistemático, o MiSI-Bench. Este framework apresenta mais de 163.000 pares de pergunta-resposta e 587.000 imagens derivadas de aproximadamente 4.000 estruturas moleculares, abrangendo nove tarefas complementares que avaliam habilidades que vão desde transformações espaciais elementares até identificações relacionais complexas. Os resultados experimentais revelam que os VLMs state-of-the-art atuais têm um desempenho significativamente inferior ao nível humano neste benchmark. No entanto, um modelo de 7B afinado demonstra potencial substancial, superando até os humanos em tarefas de transformação espacial, enquanto o seu fraco desempenho em tarefas com base científica, como o reconhecimento de ligações de hidrogénio, salienta a necessidade de integrar conhecimento de domínio explícito para progredir em direção a uma AGI científica. Os conjuntos de dados estão disponíveis em 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.