模型能感知调整3D物体位姿吗？首个交互式投影对齐空间推理基准 RoTA-Bench

厦门大学与南洋理工大学团队提出空间推理基准 RoTA-Bench，通过交互式 3D-to-2D 投影对齐评估视觉语言模型调整三维物体位姿的能力。在 100 个测试任务中，表现最佳的模型 GPT-5.6-Sol 成功率仅为 17%，而人类参与者的 400 次运行全部成功。实验诊断显示，模型在选择有效旋转方向与利用交互历史进行精细角度调整上均面临显著困难。