文生图模型的“空间盲区”：一场被忽视的智能革命前夜
当人们惊叹于文生图模型能画出唯美风景或创意插画时，一个更本质的问题被悄然掩盖：这些图像是否真的“懂”空间？
在最新发表于ICLR 2026的研究中，阿里高德团队以冷静的笔触撕开了当前生成模型的华丽外衣。他们指出，尽管模型能精准还原“一只戴墨镜的猫坐在沙发上”，但当提示词要求“猫从左侧跳上沙发，撞倒右侧的咖啡杯”时，多数系统会生成静态、逻辑断裂的画面——猫可能悬浮在空中，杯子完好无损，或者动作时序错乱。这种对动态空间关系的误读，暴露了模型在物理世界理解上的根本性缺失。
从“画得像”到“想得对”：空间智能的四大断层
研究团队将空间智能拆解为四个层级：基础属性绑定、几何感知、逻辑推理与动态交互。评估结果显示，模型在前两个层级表现尚可，但在后两者上几乎全面溃败。例如，在“红椅比蓝椅大两倍”这类涉及相对尺寸比较的任务中，超过80%的模型无法正确呈现比例关系；而在处理“树后露出一半的自行车”这类遮挡场景时，模型往往将物体简单堆叠，无视三维空间中的深度层次。
更值得警惕的是，现有评估体系长期依赖简短提示词，如“一个男人站在海边”，这类输入无法激发模型处理复杂空间逻辑的能力。而SpatialGenEval采用的平均60词长提示，强制模型同时解析物体属性、相对位置、运动轨迹与因果链条，从而暴露出其“浅表化认知”的本质——模型擅长记忆视觉模式，却缺乏对空间规则的真正建模。
开源与闭源的竞速：文本编码器的决定性作用
评测涵盖23款主流模型，涵盖扩散模型、自回归模型与统一架构。令人意外的是，开源模型Qwen-Image以60.6%的综合得分逼近闭源标杆Seed Dream 4.0（62.7%），差距不足3个百分点。这一结果打破了“闭源即最优”的固有认知，也印证了开源社区在架构创新上的快速迭代能力。
深入分析发现，性能差异的关键在于文本编码器。采用T5或大型语言模型作为编码器的系统（如FLUX.1），在解析“左侧第三个窗户旁挂着一幅画”这类嵌套空间指令时，准确率比纯CLIP架构高出27%。这表明，空间智能的瓶颈不在生成模块本身，而在于模型能否将自然语言中的空间语义转化为精确的几何表征。
数据中心的救赎：用真实逻辑训练生成逻辑
面对评估暴露的短板，研究团队提出“以数据治数据”的解决方案。他们利用多模态大模型对现有生成图像进行提示词重写，构建出15,400对图文一致的SpatialT2I数据集。微调后的模型在空间推理任务中平均提升18.3%，生成的图像开始呈现合理的遮挡关系与运动轨迹。
这一路径揭示了一个重要趋势：单纯扩大模型参数已无法突破空间智能天花板，必须通过结构化数据注入真实世界的物理常识。正如论文所言，“万物各得其所”不仅是美学原则，更是空间智能的终极目标。
空间智能的下一站：从生成图像到理解世界
当生成式AI试图进入自动驾驶仿真、室内机器人导航或工业数字孪生等场景时，空间理解的缺陷将直接转化为安全风险。一辆虚拟汽车若无法正确判断与前车的相对距离，或一个服务机器人误解“绕过桌子”的空间路径，其后果远超图像失真。
SpatialGenEval的价值不仅在于暴露问题，更在于提供了一条可量化的改进路径。未来，文生图模型的竞争将不再是“谁画得更美”，而是“谁更懂空间”。这场从视觉生成到空间认知的跃迁，或许正是生成式AI迈向真正智能的关键一步。
“我们不是在教机器画画，而是在教它理解世界如何运作。”——这或许是对SpatialGenEval最深刻的注解。