S-Space: Exploring Spatial Workspace in Multimodal Language Models
Aggiunta all'archivio di AIChronos il (numero del 12 ottobre 2026 ricostruito)· fonte del · Zhiyuan Shi, Xiang Li, Xingzhuo Guo, Shangchen Miao, Weiliang Chen, Qiyu Dai (MirroS)
Lo studio S-Space identifica uno spazio lineare intrinseco nei modelli linguistici multimodali (MLLMs) dove i token degli oggetti codificano coordinate continue lungo assi orizzontale, verticale e di distanza. Questo meccanismo funge da workspace spaziale interno che permette la percezione delle posizioni, il ragionamento per cambiare punti di vista e l'accesso selettivo alle risposte verbali relative alla posizione. Tuttavia, un'analisi della decomposizione tra percezione e computazione rivela una bottleneck critica: i modelli riescono a formare rappresentazioni spaziali capaci ma falliscono nelle trasformazioni necessarie per ragionare in modo affidabile al variare del punto di vista.
- S-Space è un sottospazio lineare intrinseco, non indotto da dati specifici o prompt, che rimane leggibile anche durante domande non spaziali.
- La percezione codifica le posizioni degli oggetti in S-Space per supportare giudizi spaziali accurati direttamente letti dai token.
- Il ragionamento interno trasforma attivamente lo spazio di lavoro per adattarsi a cambiamenti del punto di vista dell'osservatore.
- Le risposte verbali accedono selettivamente a S-Space, mentre le domande non spaziali preservano la risposta ignorando questo sottospazio.
- Un coupling sistematico emerge tra i frame di riferimento cardinali e quelli relativi all'immagine quando si leggono parole direzionali.
Perché conta. Per gli sviluppatori che lavorano con LLM locali o agenti, comprendere S-Space offre uno strumento diagnostico per identificare fallimenti nel ragionamento spaziale causati da limiti nelle trasformazioni interne piuttosto che nella percezione base.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.