先看结果
看到 Astra 的 Blender 演示后，我想知道：这种空间能力，有多少能迁移到真实的地方？一个通用模型，能否看一段房间漫游视频，就理解这个空间是如何组织起来的？
我用 VSI-Bench 和 VSTI-Bench 的 10,866 道题评测了 GPT-6-Astra，涵盖距离、布局、导航和相机运动。我在 3D 领域工作了多年，看到通用模型达到这个水平，还是有些意外。
分数均为百分制。VSTI 使用修正标签和五类汇总，与历史论文分数不能直接比较。
VSI 的 73.05 已接近我们选取的强空间专用模型；路线规划 87.63 是这份对照中已报告分项的最高值。VSTI 的 70.33 在所选表格里数值最高，但标签版本的差异意味着它不能被解释为同条件胜出。
分项比总分更能说明问题：路线规划和物体关系判断尤其突出，房间尺度与相机位移仍是明显短板。
这两套 benchmark 在测什么？
VSI-Bench 要求模型从视频中理解真实室内空间。八类任务覆盖物体数量、物体和房间大小、绝对与相对距离、相对方向、路线规划，以及物体出现的顺序。[1]
可以把它想成这些问题：两个物体相隔多远？房间有多大？怎样从一个位置走到另一个位置？这些是帮助理解任务的例子，并非原题。回答它们需要综合不同视角的信息，包括已经离开画面的东西。
VSTI-Bench 加入了移动中的观察者：相机与物体的距离、相机位移、相机运动方向、物体相对位置，以及相机与物体的相对距离。场景是静态的，移动的是相机。[2]
前者更强调场景布局，后者把视角变化明确地放进问题。这些能力与导航、机器人和 AR 有关，但两套问答评测并不等价于对完整系统能力的验证。
看看真实题目
这里共有 38 个样本：VSI 的 10 个子类别、VSTI 的 9 个子类别，每类各 2 题，分别保留方向题的难度，以及相对位置和距离题的细分题型。每组包含一个满分回答，以及一个未得分或部分得分的回答。可以选择子类别、逐帧查看输入，并对照 Astra 与 benchmark 的答案。这些例子用于说明任务，不是另一份性能估计。
为什么这件事值得测？
视频给出的是一连串视图，而空间问题往往需要更稳定的场景理解：不同帧里的哪些物体是同一个？它们在哪里？什么被遮挡了？相机又移动到了哪里？
Cambrian-S 把其中一部分挑战概括为从像素背后推断世界。它的实验促使我们把注意力从视频语义描述，移向持续的空间理解。Cambrian-P 则研究相机位姿这个训练信号：它可以把变化的视角联系到共同的三维空间。[3][4]
最初的 VSI-Bench 研究发现，在其测试的模型和设置下，包括思维链在内的常见语言推理方法，没有改善空间任务表现。这不是一个永远不变的上限，但能解释为什么今天通用模型的强结果值得关注。[1]
本次测的是 VSI-Bench 和 VSTI-Bench，没有评测 Cambrian-S 另外提出的长时程 VSI-Super 任务。
把通用模型放进空间专用模型的对照中
下图分别列出通用模型，以及接受过空间、具身专项训练或结构增强的模型。其他模型采用论文原报结果，我们没有重跑它们。点击模型名可以查看这一行的来源。
本次评测与精选论文原报成绩。输入、训练与推理设置因来源而异。
| 模型 / 来源 | 得分 / 100 |
|---|---|
| 通用模型 | |
| GPT-6-Astra本次评测 | 73.05 |
| Qwen3.5-122B-A10B分数 [14] · 模型 [28] | 66.6 |
| Qwen3.5-9B分数 [16] · 模型 [29] | 57.9 |
| InternVL3.5-8B分数 [17] · 模型 [30] | 56.1 |
| Gemini-3-Pro分数 [15] · 模型 [26] | 56.0 |
| GPT-5.4分数 [14] · 模型 [25] | 49.2 |
| Claude Sonnet 4.6分数 [14] · 模型 [27] | 44.4 |
| 空间 / 具身增强模型 | |
| ConsiSpace UC-SSRL分数 [18] | 76.6 |
| RynnBrain 1.1-122B-A10B分数 [14] | 75.0 |
| Molmo2-ER-5B分数 [14] · 模型 [31] | 74.5 |
| Cambrian-P分数 [4] | 73.7 |
| SpatioLM (SenseNova-SI-8B)分数 [17] | 71.6 |
| LLaVA-OneVision-2-8B分数 [16] · 模型 [32] | 70.9 |
| SpaceMind分数 [15] | 70.2 |
| Cambrian-S-7B分数 [3] | 67.5 |
| VLM-3R-7B分数 [2] | 60.9 |
| Spatial-MLLM-4B分数 [19] | 47.0 |
在 VSI 上，Astra 接近 Cambrian-P 原报的 73.7，仍有几个专用模型的总分更高。相比之下，路线规划的优势更突出。这正是分项值得看的原因：相近的总分背后，可能是很不一样的能力。
VSTI 还需要一条背景说明。官方于 2026 年 7 月 13 日修复了相机位置计算的错误，影响距离与位移标签。Astra 使用修正后的 5,736 题版本；表中的专用模型和通用模型文献行，保留历史报告。官方明确指出，修正前后的结果不能直接比较。[5]
路线规划突出，房间尺度与相机位移仍是短板
分项结果让我们能更具体地拆解空间推理的不同要求。Astra 在路线与物体关系推理上表现出色，但当问题要求恢复整个房间的尺度，或相机自身位置的变化时，估计就不那么可靠了。
点击图例突出模型；悬停或点击坐标轴、数据点查看精确分数。
选择模型 7 / 7
选择 1–7 个模型。达到上限后，先取消一个已选模型。
- GPT-6-Astra
- 61.82
- Cambrian-S-7B
- 73.2
- Gemini-3-Pro
- 49.0
- ConsiSpace UC-SSRL
- 77.9
- Cambrian-P
- 74.9
- SpatioLM (SenseNova-SI-8B)
- 81.9
- Qwen3.5-9B
- 62.0
本次评测与精选论文原报结果；输入、训练与推理设置因来源而异。
VSI：走对路线与量准房间，依赖的能力并不相同。Astra 的路线规划准确率为 87.63，是这份对照中已报告的最高值，明显高于 Cambrian-P 的 52.6。但在房间大小估计上，排序反了过来：Astra 为 56.49 MRA，Cambrian-P 为 76.9。相近的总分，掩盖了两者具体能力上的显著差异。
路线题要求从指定朝向出发，判断经过地标时该如何转弯。只要这些关系正确，即使尺度感比较粗略，也可能答对。房间大小题则要求用平方米给出面积，需要把局部视图联系起来，判断空间的完整范围。[1]另一个关键细节是，Astra 的物体大小估计达到 78.43 MRA：并非所有数值任务都同样困难。我的理解是，对布局的推理比对整个房间几何尺度的估计更容易迁移。熟悉的物体或许能提供尺寸线索，但把这些线索扩展到整个空间，仍有额外的难度。
VSTI：物体距离与关系很强，相机位移明显更弱。最突出的两项是物体相对位置 94.59 准确率，以及相机–物体相对距离 86.81 准确率。绝对相机–物体距离达到 68.83 MRA，相机位移则降到 42.52 MRA。后两项使用相同指标，因此是本次评测中很值得看的对照。相机运动方向也相对较弱，准确率为 58.93。
这里的区别在于：判断物体相对观察者的位置，与恢复观察者自身的位置变化，是不同的问题。位移题要求估计两帧之间相机位置的距离。[2]这需要跨视角保持一致的几何判断：画面变化很大，可能来自相机旋转、平移，或两者共同作用。我的假设是，对 Astra 而言，分清旋转、平移与尺度，比判断物体关系更困难。能较好地估计相机到物体的距离，并不自动意味着能准确估计相机自身的位移。
各条形均为 0–100。数值题使用 MRA，选择题使用准确率，不能把两者当成同一种正确率。
路线规划和物体关系上的强表现，说明 Astra 已经能较好地理解场景是如何组织起来的。物体大小与相机到物体距离的较强结果，也表明它具备一定的尺度估计能力。更明显的差距出现在问题涉及整个房间的范围，或跨视角的相机位置变化时。因此，一个模型可以很好地判断路线怎么走，同时仍难以准确估计这个空间有多大、相机在其中移动了多远。
我是怎么评测的？
| 设置 | VSI-Bench | VSTI-Bench |
|---|---|---|
| 题目数 | 5,130 | 5,736 |
| 输入帧 | 1 FPS，完整视频，不设帧数上限 | 均匀采样 32 帧，保留原始帧号 |
| 模型 / 推理 | gpt-6-astra / high | |
| 图像 | 原生尺寸，JPEG 质量 85，high detail | |
| 文章总分 | 八类等权；方向难度先等权合并 | 家族内按题合并，再对五类等权 |
输入包含采样后的视频帧和评测问题，不包含标准答案、三维标注或历史问题答案。数据 revision 固定，答案解析与评分沿用 benchmark 的约定。[6][7]
选择题使用准确率。数值题使用 MRA（平均相对准确率），即在一组相对误差阈值下，计算预测落入容差范围的比例。总分汇总这些任务指标，因此不能简单理解为“有多少题完全答对”。[1]
为什么还会看到 VSTI 的 78.84 分？
两个分数使用同一批 5,736 个回答，区别在于每种任务在总分中占多大权重。
公开评测器对九个子类等权平均，得到 78.84。Astra 最强的两类任务——物体相对位置、相机–物体相对距离——各包含三个子类，因此合计占九份权重中的六份，也就是总分的三分之二。
顶部的 70.33 则先在五大类内部按题汇总，再对五类分数等权平均。每大类各占 20%，上述两类关系题合计占 40%。这样，相对较弱的相机运动任务在总分中的权重增加，总分也随之降低。本文采用这一口径，是为了让五种空间能力在总分中同等重要。
五类展示更便于对照论文中的任务分项，但它并不能解决历史标签与修正标签的可比性问题。
这里报告的是本次全量评测，不是经同行评审的结论，也不是对所有对照模型的统一重跑。可下载的记录包含精确分项、数据版本和生成设置。
从 CAD 能力到真实世界的空间推理
路线规划和关系判断的强结果，让我重新想到最初促使我做这次评测的 Blender 演示。我的假设是：CAD 或其他 3D 工具任务上的 RL，可能形成能迁移到真实视频理解的空间能力。这把“构建一个自洽的三维场景”与“从不完整视图推断一个三维场景”联系了起来。Astra 是否接受过这类 CAD/RL 训练，目前仍未确认。
公开演示让这个联系值得考虑。Sharif Shameem 展示了 Astra 用 Blender 重建旧金山艺术宫；Yunfan Ye 报告从房源照片生成 3D 房屋，尽管仍有部分细节错误。[8][9]Thomas Ricouard 记录了通过反复渲染、检查和修正几何，持续完善可编辑房屋的过程。[10]在 SolidWorks 中，MecAgent 报告生成了 41 个零件的涡喷发动机和 11 个零件的机械臂，带有可编辑特征树和可运动装配，但距离可制造仍需完善约束等问题。[11][12]
可能迁移的是一套关于几何的推理方式。摆放物体、旋转零件、改变相机视角，或满足装配约束，都要求在发生变化时维持空间关系的一致性。这类任务上的 RL，可能奖励跟踪相对位置、在坐标系之间推理，以及预判从另一视角会看到什么。同样的操作，也可能帮助模型判断真实房间里哪个物体更近、给定朝向下什么在左边，或经过哪些转弯能连接两个地标。
这个想法带有 sim-to-real 的意味。机器人领域一个熟悉的例子，是在仿真中学到控制策略，再部署到实体机器人。[13]这里设想的迁移，同时跨越了领域和任务：从构建、操控合成几何，转向理解真实场景的录像。可能被复用的是空间推理能力，而目标任务变成了视频理解。
这一视角也能把前面的分项差异联系起来。对相对几何关系的理解，可能在这些不同场景中支撑路线规划和物体关系判断。但估计整个房间的面积或相机位移，还多了一步：在无法直接读取场景坐标的情况下，从局部、不断变化的图像中恢复一致的尺度与位置。这两项较弱的结果，可能反映了迁移变得不那么可靠的地方；与此同时，物体大小和相机到物体距离的估计仍然相对更强。
一种值得关注的可能性是：学习构建、操控三维空间，也形成了理解那些只能观察的真实空间所需的能力。
数据与参考资料
两套评测中每项文献分数的报告论文、版本与对应模型均列在下方。如果分数来自另一篇论文的对照表，还另列模型原论文或官方介绍。Astra 的分数来自本次评测。列表也保留正文引用的评测、数据与 3D 演示来源。
- Thinking in Space: How Multimodal Large Language Models See, Remember, and Recall Spaces
- VLM-3R: Vision-Language Models Augmented with Instruction-Aligned 3D ReconstructionVSI-Bench · 2505.20279v5 · 2026-04-21分数来源：VLM-3R-7BVSTI-Bench · arXiv:2505.20279分数来源：VLM-3R-7B
- Cambrian-S: Towards Spatial Supersensing in VideoVSI-Bench · 2511.04670v1 · 2025-11-06分数来源：Cambrian-S-7B
- Cambrian-P: Pose-Grounded Video UnderstandingVSI-Bench · 2605.22819v2 · 2026-07-23分数来源：Cambrian-PVSTI-Bench · v1 · 2026-05-21（v2 Table 2 数值相同）分数来源：Cambrian-P
- VSTI-Bench label correction · July 13, 2026
- VSI-Bench · pinned dataset revision
- VSTI-Bench · pinned corrected dataset revision
- Sharif Shameem · Astra recreates the Palace of Fine Arts in Blender · X, September 3, 2026
- Yunfan Ye · Listing photos to a 3D house and video · X, September 3, 2026
- Thomas Ricouard · Architectural visualization with Astra · OpenAI Developers
- Alexandre Senet / MecAgent · Astra turbojet assembly in SolidWorks
- Alexandre Senet / MecAgent · Astra robot-arm assembly in SolidWorks
- Peng et al. · Sim-to-Real Transfer of Robotic Control with Dynamics Randomization · ICRA 2018
- RynnBrain 1.1: Towards More Capable and Generalizable Embodied Foundation ModelVSI-Bench · 2607.17977v2 · 2026-07-31分数来源：GPT-5.4, Claude Sonnet 4.6, Qwen3.5-122B-A10B, RynnBrain 1.1-122B-A10BVSI-Bench · 2607.17977v2 · 2026-07-31分数来源：Molmo2-ER-5B
- SpaceMind: Camera-Guided Modality Fusion for Spatial Reasoning in Vision-Language ModelsVSI-Bench · CVPR 2026 正式论文集 · pp. 16811–16822分数来源：Gemini-3-Pro, SpaceMind
- Annotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMsVSI-Bench · 2608.20492v1 · 2026-08-20分数来源：Qwen3.5-9B, LLaVA-OneVision-2-8B
- SpatioLM: Towards General Physical Spatial Intelligence in Vision-Language ModelsVSI-Bench · 2608.01899v1 · 2026-08-03分数来源：InternVL3.5-8B, SpatioLM (SenseNova-SI-8B)
- ConsiSpace: Learning Geometric Consistency Matters for Video Spatial ReasoningVSI-Bench · 2607.17599v1 · 2026-07-20分数来源：ConsiSpace UC-SSRL
- Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial IntelligenceVSI-Bench · 2505.23747v2 · 2026-05-19分数来源：Spatial-MLLM-4B
- Vision-Language Memory for Spatial ReasoningVSTI-Bench · v2 · 2026-07-09分数来源：GPT-5, Gemini-3-Pro, Qwen3-VL-8B, VLM²-7B
- Q-GeoMem: Question-Guided Geometric Memory for Video Spatial ReasoningVSTI-Bench · v2 · 2026-07-06分数来源：Q-GeoMem-7B
- Cog3DMap: Multi-View Vision-Language Reasoning with 3D Cognitive MapsVSTI-Bench · v1 · 2026-03-24分数来源：Cog3DMap-8B
- Thinking with Geometry: Active Geometry Integration for Spatial ReasoningVSTI-Bench · v1 · 2026-02-05分数来源：GeoThinker
- 4D-RGPT: Toward Region-level 4D Understanding via Perceptual DistillationVSTI-Bench · v4 · 2026-06-02分数来源：4D-RGPT-8B
- OpenAI · Introducing GPT-5.4模型论文或官方介绍：GPT-5.4
- Google · Gemini 3 Pro: the frontier of vision AI模型论文或官方介绍：Gemini-3-Pro
- Anthropic · Introducing Claude Sonnet 4.6模型论文或官方介绍：Claude Sonnet 4.6
- Qwen3.5-122B-A10B · official model card模型论文或官方介绍：Qwen3.5-122B-A10B
- Qwen3.5-9B · official model card模型论文或官方介绍：Qwen3.5-9B
- InternVL3.5: Advancing Open-Source Multimodal Models in Versatility, Reasoning, and Efficiency模型论文或官方介绍：InternVL3.5-8B
- MolmoAct2: Action Reasoning Models for Real-World Deployment (Molmo2-ER)模型论文或官方介绍：Molmo2-ER-5B
- LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence模型论文或官方介绍：LLaVA-OneVision-2-8B
- OpenAI · Introducing GPT-5模型论文或官方介绍：GPT-5
- Qwen3-VL Technical Report模型论文或官方介绍：Qwen3-VL-8B
引用本文
@misc{wang2026astraspatial,
title = {How well does {Astra} understand real-world space?},
author = {Wang, Yipeng},
year = {2026},
howpublished = {Blog post},
url = {https://www.yipeng.dev/blog/astra-spatial-intelligence}
}