普林斯顿大学 AI Lab 发布了一套新的空间智能测试 Same Space or Not（SSoN），试图回答一个更基础的问题：AI 是否真的理解三维世界。与动态任务不同，这套测试去掉了实时变化和动作控制，只保留静态跨视角判断，要求模型在 4 张室内图像中找出那张不属于同一场景的图片，并说明原因。
研究团队给出的结果显示，在完整 1,000 道题上，人类准确率达到 83.3%。6 个受测视觉语言模型（VLM）中，GPT-6 Astra Pro 以 39.7% 排名第一，其余 5 个模型全部低于四选一任务 25% 的随机基线。研究者认为，即使不涉及动态交互，人与模型之间的差距也已经出现在更基础的静态跨视角理解上。
SSoN 如何出题
SSoN 的规则很直接：4 张图中，3 张来自未改变的三维场景，1 张来自编辑后的版本。题目不会指定参考图，也不会提前标出异常物体。模型需要自己判断哪些视角能够相互印证，哪一张图无法与其他图共同成立。
研究者举例称，某道题中的篮球位置可以被 B 和 D 两张图共同确认；C 虽然没有拍到该位置，还出现了其他视图未展示的物体，但这些都可能由视角变化解释。A 则拍到了篮球本应出现的位置，但篮球缺失。题目的关键不在于图像表面是否不同，而在于空间关系能否自洽。
项目主页、论文、数据集、代码和微调权重均已公开，分别位于 SSoN 官网、arXiv、Hugging Face 和 GitHub。
六类编辑下，模型在哪些题型失分
SSoN 覆盖 7 个室内场景来源、6 类三维编辑，共 1,000 道题和 4,000 张图像。6 类编辑包括交换、细节变化、镜像、删除、移动和旋转。研究团队按题型拆分成绩后发现，不同模型的空间能力缺口分布得很明显。
交换和细节变化是相对容易的部分。两个物体交换位置，或同一物体的形状、颜色、纹理发生变化时，模型还能借助物体对应关系和外观差异做判断。6 个受测模型在这两类题上的准确率都高于各自整体成绩，其中 Astra Pro 在这两类上都超过 80%。
镜像和删除处于中间层，但对多数模型仍然困难。镜像题要求判断房间结构是否真的发生左右翻转，而不是相机换边造成的视觉变化；删除题则要求区分物体是真正消失，还是只是被遮挡或移出视野。镜像题上，除 Astra Pro 外，其余 5 个模型全部低于 25% 的随机基线；删除题上，这 5 个模型中的最高成绩也只有 Sol Pro 的 42.57%。
移动和旋转则暴露出更普遍的几何推理短板。6 个模型在移动题上的最高准确率只有 27.20%，旋转题更低，最高仅 9.54%。相比之下，人类在这两类题上的准确率都超过 70%。研究者还提到，即使明确告诉模型 6 类编辑分别是什么，移动和旋转两类的成绩也没有得到有效提升。
为什么有些模型会低于随机基线
研究者指出，25% 只是四选一盲猜的期望值，并不是能力下限。SSoN 专门构造了大量“看起来变了，但空间上仍然正确”的强干扰视图。如果模型只能识别外观差异，却无法判断这些差异是否来自视角变化，就可能被系统性误导，最终表现反而低于随机猜测。
这并不意味着模型完全没有视觉能力，而是说明从“发现差异”到“理解空间关系”之间仍存在明显断层。研究团队认为，模型在看到变化时可能会做出反应，但换一个视角后，未必还能把这些线索整合成一致的三维判断。
17 个视觉编码器全部低于随机线
研究者还测试了另一种更直接的思路：既然 4 张图中只有 1 张异常图，那么只要找出与其他 3 张最不相似的那一张，是否就足够。
为此，团队使用 CLIP、ViT 和 DINOv2 系列共 17 个视觉编码器进行实验，以图像特征相似度选择离群视图。结果显示，这些模型的准确率只有 16.9% 至 21.7%，全部低于 25% 的随机基线。
这一结果进一步说明，依赖全局外观差异并不能可靠地区分“新视角”与“真实编辑”。正确的新视角可能带来大范围可见内容变化，而真实编辑有时只留下局部线索。研究者在开发阶段的诊断实验中也发现，合法但容易误导的视图会吸引更多错误选择；如果把它替换成更清晰的正面参照，多类题目的成绩会明显改善。
选对答案，不等于解释成立
SSoN 不只检查模型是否选对，还检查它给出的证据是否足以支撑判断。研究团队设置了 True solve 指标，要求模型既选中正确答案，又给出符合图像事实、足以支持跨视角矛盾判断的解释。
在 6 个模型合计 1,368 次正确选择中，有 29.5% 没有通过这项检查。最高模型的成绩也从 39.7% 的答案准确率降至 34.9% 的 True solve。也就是说，接近三成的“答对”并没有有效证据支持。
研究者举例称，模型可能选对了 A，但理由却是某个实际上没有变化的物体被移动了；也可能给出一个真实线索，但这个线索不足以排除其他视图。如果只看选项，这些回答会被算作正确；但在证据审查下，它们并不能成立。
为避免题目本身存在歧义，SSoN 在构建和评估两端都做了核验。出题时要求异常图和至少两张正常视图提供可用证据，排除多解题和明显渲染捷径；阅卷时，所有选对的模型回答都经过人工证据复核。研究团队表示，数据集最终的 1,000 道题来自超过 10,000 个开发候选题的迭代筛选。
提示、三维重建和相机参数能否改善结果
为了测试模型是否能在额外帮助下提升表现，研究者另行选出 100 道题组成干预集。这组题目的原始答案准确率为 24%，True solve 为 12%。后续比较都在这 100 道固定题目内完成。
先看提示方法。研究者引导模型寻找环境参照、匹配物体、判断遮挡，或先描述场景布局；同时也会直接告诉模型 6 种可能的编辑类型，但不透露当前题目的具体类型。在“比较指导+编辑类别知识”的条件下，模型准确率达到 48%，True solve 为 34%。提示有帮助，但仍未让模型答对一半。
研究团队随后让模型实际执行三维重建，并检查相机视角。这个经过执行核验的完整流程得到 47% 的准确率和 34% 的 True solve。删除和细节类题目表现较好，移动与旋转仍然困难。研究者据此认为，仅把三维重建加入解题过程，还不足以补上几何判断短板。
改善最明显的条件，是直接提供真实相机信息。在比较指导的基础上，加入 ground truth 相机内参、外参和图像尺寸后，模型准确率升至 61%，True solve 升至 48%。其中移动类题目变化最明显：在比较指导条件下，准确率和 True solve 都是 20%；加入相机信息后，两项都升至 70%。
不过，即便拿到真实相机参数，这 100 道题中有充分证据支持的正确回答仍不到一半。研究团队认为，提示、工具和几何信息可以缓解困难，但还没有让跨视角理解变得可靠。
微调后，未见房间测试集准确率接近翻倍
除了推理阶段干预，研究者还测试了定向训练是否能提升空间一致性判断能力。团队对 Qwen2.5-VL-7B 进行了微调，并按关联房间和场景家族隔离 train、val 和 test，最终让模型在来自未见房间的 201 道测试题上作答。
未经微调时，模型准确率为 21.89%；只监督答案后，准确率提升到 33.33%；同时提供推理依据和答案监督后，准确率达到 41.79%。相较原始模型，这一成绩接近翻倍。
研究者表示，差别在于训练时是否告诉模型“证据为什么支持这个答案”。推理依据监督会额外提供变化类型、相关物体和支持视图，让模型学习如何把跨视角证据与最终选择对应起来；测试时，模型仍需自行看图作答。
旋转题的变化最突出。只做答案监督时，旋转类准确率达到 32.84%；加入推理依据后，这一数字升至 58.21%。在更换 4 张图的选项顺序后，模型的平均准确率和跨顺序一致答对比例也有所改善。
研究团队与公开资源
SSoN 由普林斯顿大学 AI Lab 团队完成。第一作者 Huizi Cao 为卡尔顿学院本科生，曾以第一作者身份在 Nature Medicine 发表论文。团队成员还包括来自宾夕法尼亚大学和 Adobe Research 的研究者。项目由普林斯顿大学 AI Lab 的 Shilong Liu 教授、Mengdi Wang 教授，以及西北大学的 Manling Li 教授合作指导完成。
研究团队已公开项目主页、论文、数据集、代码和微调权重，分别为：https://sson.aisexam.com/、https://arxiv.org/abs/2610.23959、https://huggingface.co/datasets/HuiziCao/SSoN、https://github.com/sson-benchmark/SSoN 和 https://huggingface.co/HuiziCao/SSoN-Qwen2.5-VL-7B-LoRA。
这套测试的核心要求并不复杂：相机动了，场景未必变；图像变了，空间关系也可能仍然一致。SSoN 把动作控制和实时变化拿开，单独检验模型能否整合不同视角、接受合理的视觉差异，并找出真正的场景矛盾。按照这份测试结果，当前模型与人类在这项基础能力上仍有明显差距。
