SpatialScout：评估VLM智能体主动构建3D物体地图

01 摘要

SpatialScout 是一个评估视觉语言模型（VLM）智能体主动构建物体级3D地图的新基准，包含 80 个室内场景和 3,140 个目标物体。给定物体清单、RGB 观测、相机标定和位姿，智能体需控制相机探索并估计物体中心，评测同时衡量定位精度与目标覆盖率。实验显示前沿 VLM 仍有明显局限，最强模型 Claude Opus 5.5 的平均重叠分数为 41.71%，在 IoU>0.5 和 IoU>0.9 上的目标比例分别为 47.23% 和 3.25%。

02 关键点

1. 任务要求智能体协调视角选择、跨视图关联、几何估计和地图修正，并在有限交互预算内完成。
2. 评测使用物体尺度重叠分数，同时惩罚遗漏预测，联合衡量定位准确性与目标覆盖。
3. 最强评估模型 Claude Opus 5.5 平均重叠分数为 41.71%，仅 3.25% 目标在 IoU>0.9 上达标。