本文介绍由Jiyao Zhang等11位作者提交、于2026年5月27日发布在arXiv上的预印本论文《Embodied3DBench: Benchmarking Low-Level Embodied Spatial Intelligence of Vision Language Models》（arXiv编号2605.29074，属于计算机视觉与模式识别cs.CV，并交叉涉及机器人学cs.RO）。
论文从一个直接的问题出发：当前的视觉语言模型（VLM）是否已经准备好理解并推理3D环境中的复杂具身交互？为此，作者提出了Embodied3DBench，这是一个以机器人为中心、专门针对具身3D环境中低层空间智能的基准测试。与侧重高层语义理解的评测不同，该基准聚焦于支撑机器人操作与行动的基础感知能力。
在任务设计上，基准包含6个任务类别，被划分为两大核心组别。第一组是“空间结构理解”，包括目标定位（Grounding）、空间关系预测（Spatial Relation Prediction）和多视角对应（Multi-view Correspondence）；第二组是“交互导向感知”，包括可供性预测（Affordance Prediction）、抓取点预测（Grasp Point Prediction）和轨迹预测（Trajectory Prediction）。整个基准细分为12个子类别，共收录超过2.1万条高质量问答对。
作者利用该基准评测了13个最先进的模型。结果显示，当前模型在高层空间推理方面表现相对较强，例如能够理解物体之间的相对位置关系；但在交互导向感知任务上表现脆弱，暴露出模型显著缺乏稳健的、具备3D感知能力的交互先验知识。这一发现说明，模型“看得懂场景”与“知道如何动手操作”之间存在明显鸿沟。
为主动弥合基准所揭示的能力缺口，研究团队进一步合成了一个大规模训练数据集，包含130万条问答对。实验表明，在该数据集上微调能够显著提升模型的低层空间智能。论文最终强调，Embodied3DBench同时提供了系统化的评测框架和可扩展的数据方案，填补了该领域的关键空白，并为面向交互的多模态系统研发设定了明确目标。该论文于2026年5月27日20:28:56 UTC提交，全文约5.9MB。