展示而非叙述：在生成像素中评估空间认知

现有空间推理基准多依赖坐标或文本，不适用于图像生成模型。研究者提出ProVisE框架，通过协议约束的视觉答案评估生成模型的空间认知，并构建了含470样本的SpatialGen-Bench基准。评估显示，图像生成模型在像素空间直接输出时表现出竞争力，而文本输出VLM在组合空间推理上仍有优势。

此前评估空间认知的基准均以文本或坐标作为答案接口，导致图像生成模型无法在相同语义下被评估。ProVisE让模型直接在像素空间表达空间判断，更贴近真实物理世界交互，且实验揭示了两种模型的能力差异，为后续评估和模型改进提供了新方向。

ProVisE通过协议约束视觉答案（如框选、着色）从图像生成模型中获取结构化预测，再由解析模块与原始指标对齐。Agentic builder可自动构建并验证新基准的任务协议，使得评估流程可迁移。该方法利用了图像生成模型直接操作像素的能力，避免了文本到像素的转化损失。

• 利用ProVisE框架评估内部图像生成模型在空间布局任务上的表现，找出短板并针对性优化。
• 借鉴Agentic builder为产品自建定制化空间任务基准，例如室内设计或游戏场景中的物体摆放评估。
• 开发支持像素级空间指令的图像生成产品，如用户通过圈点表达位置需求，模型直接输出对应区域。

• ProVisE在不同架构（如扩散模型、自回归模型）上的评估效果是否存在显著差异？
• 文本VLM在组合空间推理上的优势是否可以通过改进图像生成模型的推理机制来缩小？
• 框架中的协议约束是否会造成额外的推理成本或用户体验损失？
• SpatialGen-Bench的470样本是否覆盖足够多样的空间任务，能否推广至真实应用场景？