知识卡片：探测视觉基础模型中的空间状态表征

一句话结论

视觉基础模型的“看得懂”不等于“记得住、推得动”：在静态室内环境的流式自我中心观测下，十个表征的冻结特征探测显示，可见场景的强读出能力并不能保证物体持续性或未来特征检索的准确性。

事件概述或研究问题

论文追问一个核心问题：视觉基础模型是否提供了支持“持久空间状态”的表征——即一个在自我运动下被更新、并用于指导动作的内部状态。作者将空间能力拆为四个层级：空间结构、物体持续性、预测性空间更新、可行动性，并在静态室内环境的流式自我中心观测下，对十种表征做冻结特征探测。来源未在摘要中列出这十种表征的具体名称，待核实。

方法/产品要点

• 探测范式：冻结特征探针（frozen-feature probes），不微调 backbone，直接检验表征中可解码的信息。
• 四层级能力划分：空间结构 → 物体持续性 → 预测性空间更新 → 可行动性。
• 匹配控制：用对照实验把“读出准确率”与“对视觉历史/运动的依赖”区分开。
• 跨因素分析：能力画像随任务、网络层、前缀长度（prefix lengths）而变化。
• 迁移检验：在真实特征上训练的空间 reader，是否能在预测特征上原样工作。

主要结果或产业意义

• 能力画像在不同任务、层、前缀长度上差异明显；对可见场景的强读出不能保证准确的物体持续性或未来特征检索。
• 原生未来预测仍保留可恢复的空间结构，但真实特征上训练的空间 reader 不能原样迁移到预测特征。
• 目标依赖的候选选择未能建立可靠的连续动作效用：预测动作会随目标变化，但给出正确目标并不稳定提升进展。
• 四层级之间存在依赖结构：物体持续性与可行动性建立在相机位姿读出之上，而特征预测建立在可见场景读出之上。

为什么重要

它把“空间表征评估”从“能解码出什么”推进到“信息是否被维持、能否预测性更新、是否用于目标导向动作”。相对已有卡片中 V-JEPA 2 / VideoMAE-v2 的逐层探测（相机运动可解码、直观物理接近随机），本条把评估对象扩展到“持久空间状态”这一功能维度，并给出“读出强 ≠ 状态好”的增量结论。

局限与不确定性

• 实验限定在静态室内环境的流式自我中心观测，向动态场景、户外场景的外推待核实。
• 十种具体表征清单、探测数据集与指标细节未在摘要中给出，待核实。
• “前缀长度”的具体设定与影响幅度待核实。
• 可行动性结论基于候选选择式评估，是否代表连续控制任务中的真实效用待核实。

可用于图书/PPT/简报的角度

• “识别图像”与“维持空间状态”是两种能力，可分别评估。
• 表征探测的层级化框架：结构 → 持续性 → 预测更新 → 可行动性，可作为评估清单。
• “正确目标不必然带来更好进展”提示目标条件化策略的评估陷阱。
• 冻结探针 + 匹配控制的方法论，可作为“读出 vs. 依赖”区分的案例。

原始材料

• 标题：Probing Spatial State Representations in Visual Foundation Models
• 作者：Baiqiao Yin, Zhongang Cai, Ruisi Wang, Qiwei Liang, Lei Yang, Ziwei Liu
• arXiv ID：2610.40636v1（cs.CV, cs.AI）
• 发布：2026-10-29
• Abstract URL：https://arxiv.org/abs/2610.40636v1
• PDF URL：https://arxiv.org/pdf/2610.40636v1