SPR-128K：面向多模态大语言模型空间合理性推理的新基准
计算机视觉与模式识别
2026-03-27 v2
摘要
近年来，图像生成的性能得到了显著提升。然而，对图像筛选的研究很少，且由于缺乏数据以及多模态大语言模型（MLLMs）空间合理性推理能力较弱，其在 MLLMs 上的表现不尽如人意。在这项工作中，我们提出了一种从数据和方法论层面解决这些问题的完整解决方案。在数据方面，我们收集了一个包含超过 128k 样本的全面空间合理性推理（SPR）数据集，称为 SPR-128K。该数据集从四个方面评估空间合理性推理能力。关于数据标注，我们研究了多种方法，以最具成本效益的方式获取高质量的思维链（Chain-of-Thought, CoT）数据。在方法论上，我们将动态比例精度（Dynamic Proportional Accuracy, DPA）奖励引入群组相对策略优化（Group Relative Policy Optimization, GRPO）框架，称为 DPA-GRPO。这种增强的方法相比原始 GRPO 展现出更优的性能。我们的实验表明，即使是领先的 MLLMs 在空间合理性推理上也表现不佳。相比之下，我们小得多的模型利用 DPA-GRPO，大幅超越了大型开源模型和领先的闭源模型。
引用
@article{arxiv.2505.23265,
title = {SPR-128K: A New Benchmark for Spatial Plausibility Reasoning with Multimodal Large Language Models},
author = {Zhiyuan Hu and Zheng Sun and Yi Wei and Long Yu},
journal= {arXiv preprint arXiv:2505.23265},
year = {2026}
}