ProVisE

本文提出ProVisE框架，解决图像生成模型与文本VLM在空间推理评估中的接口不匹配问题。通过构建SpatialGen-Bench基准和Agentic协议构建机制，实现像素级输出的结构化解析与指标对齐。实验显示视觉外化与文本推理具有互补性，但通用VLM解析器会显著改变模型排名。