SpatialWorld：多模态智能体交互式空间推理能力的全新基准测试

SpatialWorld是一个全新的多模态智能体交互式空间推理基准测试，整合8种异构仿真后端（涵盖家庭环境、旅行场景、社交协作等），包含760个人工标注任务。评估结果显示，即使是当前最强的闭源模型GPT-5，其平均任务成功率仅为17.4%，揭示了多模态智能体在主动探索与长程规划能力上的显著瓶颈。该基准来自arXiv 2026年6月8日发布的论文（链接：http://arxiv.org/abs/2606.09669v1）。

空间推理是多模态大语言模型（MLLM）感知并交互物理世界的基础能力，但现有评估基准存在明显缺陷：主要依赖被动评估（如静态视觉问答）或特定仿真器的流水线，无法真正评估智能体在动态、交互式环境中的空间理解能力。这种方式如同让一个人通过看照片学习驾驶，却从未实际操作，难以反映真实的空间推理水平。

SpatialWorld采用统一的多模态智能体评估框架，设计理念贴合真实世界复杂性：

1. 多仿真后端整合：覆盖8种异构场景（家庭、旅行、社交协作等），通过仿真器无关协议统一调度；
2. 任务关键特征：
   • 部分可观测性：智能体仅能获取有限视觉信息，需主动探索环境；
   • 统一文本动作接口：与MLLM原生能力契合，无需学习底层控制指令；
   • 可靠评估机制：人工验证初始状态、参考轨迹及终端状态验证器，确保结果可重复与可信。

研究团队对15个先进智能体模型进行评估，结果显示：

• 闭源模型GPT-5平均任务成功率（TSR）仅17.4%；
• 开源模型Qwen-3.5成功率为14.1%； 进一步分析发现：任务成功率与执行效率存在脱节（部分模型成功但步骤多，部分高效但成功率低）；不同领域（家庭/旅行/社交）性能差异显著，跨领域泛化能力不足。

SpatialWorld为空间智能研究提供了严格的测试平台，揭示了当前多模态智能体需突破的核心瓶颈：主动探索能力与长程规划能力。未来研究可聚焦于：

• 提升主动探索与长程规划的效率与成功率；
• 增强跨领域泛化能力； 随着仿真技术与模型能力的进步，期待智能体在该基准上的表现逐步提升，最终实现真实物理世界的可靠交互。