SpaceCast-Bench：评估视觉语言模型的预测性空间推理能力

SpaceCast-Bench 是一个评估视觉语言模型预测性空间推理能力的 benchmark，包含 182 个真实场景的 3,862 个问题，覆盖 16 类任务。21 个模型评测显示，最强模型仅达 58.0%，低于人类 87.2%；对 Qwen3-VL-4B 微调后，成绩从 34.0% 提升到 65.7%。