OVO-S-Bench：マルチモーダルLLMの空間認識を評価する階層型ベンチマーク

要約

ロボットやAR、自動運転向けのマルチモーダルエージェントが映像ストリームから空間を理解する能力を測る新ベンチマーク「OVO-S-Bench」が公開された。348本の動画から1,680問を収録し、12名のアノテーターが804人時をかけて構築した。38のモデルを評価した結果、最高性能のGemini-2.5-Proでも人間の86.6点に対して59.2点にとどまった。特にアロセントリックマッピング（俯瞰的空間把握）が主要な課題として浮き彫りになっている。