論文(Has GPT-5 Achieved Spatial Intelligence? An Empirical Study)為多模態模型提出了空間智能（SI）的統一視角，并在八個全新的SI基準測試中評估了GPT-5及其他強基線模型。GPT-5在整體表現上領先，但仍未達到人類水平，特別是在心理重構形狀、變換視角以及變形/組裝任務方面存在明顯不足。

圖片

統一的SI框架與公平評估設置：論文將先前工作整合為六項核心SI能力（度量測量、心理重構、空間關系、視角轉換、變形與組裝、綜合推理），并標準化了提示詞、答案提取和評估指標，以減少不同數據集間的評估差異。

圖片

大規?；鶞蕼y試，算力消耗巨大：論文采用了八個最新基準測試（如VSI-Bench、SITE、MMSI、OmniSpatial、MindCube、STARE、CoreCognition、SpatialViz），使用統一協議；結果反映了超過10億token的評估流量。

GPT-5創下最佳記錄，但未達人類級SI水平： GPT-5在綜合得分上位居榜首，在度量測量和空間關系任務上有時能達到人類水準，但在心理重構、視角轉換、變形與組裝以及多階段綜合推理方面仍存在顯著差距。

圖片

思考模式： "在高級模式下，28個問題超過了15分鐘時限或達到token限制，被計為錯誤，準確率為52.54%；排除這些情況后準確率為68.89%。"高級模式可能帶來更好結果，但我理解token限制的問題。

圖片

困難SI任務縮小了閉源與開源模型間的差距： 雖然專有模型平均表現更優，但在最困難的SI類別上其優勢消失；多個開源系統表現相似，在心理重構/視角轉換/變形組裝/綜合推理方面都遠未達到人類能力。非SI部分（如CoreCognition的形式運算）可以接近人類水平。

定性分析揭示失效模式： 案例研究顯示，新視角生成存在提示敏感性，在透視效果和尺寸恒常性方面有盲點，在紙張折疊/組裝任務上持續失敗，以及在計數過程中難以推斷被遮擋物體等問題。

本文轉載自????????????AI帝國????????????，作者：無影寺