企业官网建设流程全解析

浙大这次提出的 Agentic 空间认知评估框架，核心取向其实很明确：评测生成式模型的空间智能，不要逼它报坐标，而是让它把空间结构“画”出来。这个思路听起来简单，但它切中了一个实际问题——过去很多空间评测，测的根本不是空间能力，而是模型对答案格式和坐标公式的拟合能力。

如果你做的是多模态模型、生成式模型或 Agentic AI 相关的工作，这篇文章值得往下看。后面我会拆三件事：为什么“画出来”比“输出坐标”更接近空间认知的本质；一个 Agentic 评估框架应该包含哪些设计环节；以及如果要自己搭一套类似评测流程，从最小闭环到批量对比到底该怎么做。

需要先说明一点：原始资料里没有给出论文的完整实验数据和实现细节，所以下面更多是基于标题方向、公开讨论和通用评测实践做的方法拆解。落地时请以论文原版、代码仓库和你的实际环境为准。

1. 为什么逼 LLM 输出坐标，不是评测空间智能的合理方式

1.1 坐标是一种“符号化替身”，不是空间认知本身

LLM 本质上是一个文本生成模型。你让它输出坐标，它要先把空间关系翻译成数字序列，再按照某种格式写出来。这个过程里至少有三层噪音：

第一层是坐标系的定义噪音。同样的位置，用像素坐标、归一化坐标、相对坐标、世界坐标，结果完全不一样。模型可能空间理解是对的，但坐标系理解错了，评测结果就是错的。

第二层是数值生成的离散化噪音。坐标是连续空间里的离散表达，LLM 在生成数字时容易出现偏移、近似、数位错误。一个“大概在右下角”的空间判断，落到数字上可能是(0.8, 0.2)，也可能是(0.6, 0.3)。差值多大算对？这本身就很模糊。

第三层是格式约束噪音。要求输出 JSON、要求保留两位小数、要求按特定顺序给点，这些格式限制会消耗模型的生成能力。模型可能把一半的“智力”花在满足格式上，真正用于空间推理的资源反而变少了。

所以，让 LLM 输出坐标，看起来精确，实际上把空间认知评测变成了“空间理解 + 格式拟合 + 数值回归”的混合体。评测结果一旦差了，你根本说不清是模型不懂空间，还是模型不会写数字。

1.2 生成式模型的强项是整体结构，不是数值回归

生成式模型，尤其是扩散模型和多模态生成模型，真正擅长的是生成一个整体结构：一张图、一个布局、一条路径、一组带有空间关系的对象排列。

你让它画一间卧室的俯视图，它能输出“床在右下、门在左下、窗户在左上”这种整体关系。你让它生成一张室内布局图，它自然地处理遮挡、比例和相对位置，而不用先把每个物体转成坐标再组合。

这就是“画出来”和“报数字”的本质区别：

• 输出坐标要求模型把空间认知转译成符号，然后再转译回空间；
• 直接生成空间结构，让模型用自己最擅长的表达方式呈现空间判断。

这个框架的判断依据应该在这里：与其在模型不擅长的输出通道上折腾，不如给它一个更贴近空间本质的输出通道。

1.3 两个评测路径的差异对比

我把两种评测路径的差异整理成一张表，方便对照：

这张表不是说要彻底放弃坐标输出。在需要精确量的领域，比如机器人抓取、自动驾驶轨迹规划，坐标仍然是必要接口。但作为“评测空间认知”的手段，坐标确实容易把简单问题搞复杂。

2. 空间认知评测真正难在哪个环节

2.1 空间任务不是一个任务，而是一族任务

空间认知这个词看起来具体，拆开之后范围很大：方向判断、距离估计、相对位置、遮挡关系、布局合理性、路径规划、旋转缩放不变性、三维到二维投影理解……每一种都是空间能力的一部分。

不同的空间任务需要不同的评测方法：

• 判断“A 在 B 的左边”，可能是关系分类任务；
• 估计“从 A 到 B 走哪条路最近”，是路径规划任务；
• 给出一个复杂场景的俯视图，是空间重建任务；
• 让模型根据文字描述生成室内布局，是生成任务。

如果你用一组坐标问答去评测所有空间能力，结果一定偏。因为问答只覆盖了语言层面的空间描述，覆盖不了生成层面的空间结构。这也是这个评估框架要区分任务类型的原因：先把空间任务拆成可生成、可判定的子任务，再针对每个子任务设计评测方式。

2.2 语言能力会污染空间能力评测

这是空间评测里最大的坑：模型可能根本不懂空间，但它看过大量相关文本，能“背”出答案。

举例来说，如果你问“客厅里沙发通常放在哪里”，模型回答“靠墙放、对着电视”，这不需要空间推理，只需要常识记忆。再问你“厨房里冰箱一般离灶台多远”，模型也能给出常见范围，但这仍然是语言先验，不是空间推理。

如果一个评测集设计成问答形式，那么语言能力强的模型天然占优。你测出来的分数，很可能是“语言知识 + 空间常识”的混合，而不是空间认知本身。

让模型画出来，这个污染会小很多。因为一个模型如果没有真正的空间结构理解，它很难画出一张位置关系合理的布局图。你可以临摹图片，可以复述文本，但不能凭空生成一个结构正确的空间输出。

2.3 单轮评测测不出多步空间推理

真实空间任务很少是一步到位的。人类在布置房间时，会先摆床，然后发现衣柜挡住门，再挪动位置。这个过程是“生成一个初步方案 -> 检查冲突 -> 修改方案”的循环。

传统评测往往只给一个输入，要求一个输出，跑完就打分。这测不出模型在空间推理上的自我纠错能力。而 Agentic 评估框架的价值就在这里：把评测从单轮问答变成多轮交互，让模型有机会根据反馈修改自己的空间输出。

修改的质量、修改的轮数、最终是否收敛，这些都是空间认知能力的信号。一个模型如果在多轮反馈后仍然保持错误的空间关系，说明它的空间表征不够灵活；反过来，如果它能根据一句“床把门挡住了”就把布局修正过来，说明它有真正的空间调整能力。

3. Agentic 评估框架做成什么样，才符合这个思路

3.1 任务层：让模型“画”出什么

既然是“画”出来，就要先定义画什么。我把常见的可生成空间任务分成四类：

1. 布局生成：给定一个房间类型和物品列表，生成俯视图布局；
2. 路径规划：给定起点、终点和障碍物，生成一条可行路径的图像或路径点序列；
3. 空间关系可视化：给定一段描述，生成对应的物体位置关系图，比如“球在方块右边，方块在三角上面”；
4. 遮挡与视图变换：给定一个三维场景描述，生成某个视角下的俯视图或侧视图。

任务设计时有一个关键原则：输出必须能被判定。如果输出是一张自由风格的油画，评估者很难判断空间是否正确。所以任务要限定输出格式，比如网格图、简化几何图形、标注好的 SVG 或结构化的空间描述。

这并不矛盾：我们允许模型用生成方式表达空间，但表达形式要足够规范，规范到能被评估器解释。

3.2 交互层：Agent 循环的输入、输出和反馈

Agentic 评估框架的核心是循环。一个基本循环可以拆成四个阶段：

1. 任务下发：把空间任务描述发给模型；
2. 模型生成：模型生成初始空间输出；
3. 评估器检查：评估器判断输出是否满足空间约束，指出具体问题；
4. 反馈修订：把问题和提示返回给模型，模型重新生成。

循环可以设置最大轮数，比如 5 轮或 10 轮。每一轮的结果都要记录下来，包括生成结果、评估器反馈、模型修订内容。这样最终的评分可以分成两部分：初始生成质量，以及在反馈下的修正能力。

需要特别注意的是反馈形式。不要给模型“太偏了、再想想”这种模糊反馈，而是要给可操作的空间约束，例如“窗户应在北墙中间”“床和门之间至少保留一条 0.8 米的通道”。反馈越具体，越能测出模型是否理解空间规则，而不只是服从指令。

3.3 评估层：三类打分方式怎么组合

评估器是整个框架里最容易做歪的部分。这里建议组合三类打分方式：

第一类是规则检查。凡是能写成硬性约束的，一定要写成规则。比如坐标是否在边界内、物体是否重叠、路径是否经过障碍物、相对位置是否符合描述。规则检查速度快、可复现，适合做第一层过滤。

第二类是视觉评估。对于图像输出，可以用多模态大模型辅助判断，比如检查生成布局里“床是否在右下区域”“沙发是否朝向电视”。但要注意，VLM 打分本身有偏差，同一个图换一种问法可能分数不同。所以 VLM 更适合做粗筛和人工抽检的辅助，不太适合单独作为唯一评分来源。

第三类是人工抽检。规则和 VLM 都可能有盲区，尤其是布局合理性和审美层面的空间协调性。保留 10% 到 20% 的人工抽检比例，能够防止评估器系统性偏差。

三类打分的权重取决于任务类型。硬约束多的任务，规则权重可以高一些；开放布局任务，视觉评估和人工权重可以更大。

3.4 为什么叫“Agentic”，而不是简单端到端评测

“Agentic”强调的是模型在评测过程中处于一个主动代理的位置：接收任务、生成输出、接收反馈、修改输出。它不是被动地答一道题，而是像一个智能体一样，在一个最小化的空间任务环境里行动。

这正好和最近的 Agentic AI 趋势对应。Agentic RAG 强调检索、推理、行动的多循环，Agentic 空间评估强调生成、检查、修正的多循环。两者在方法论上是相通的：不只看单步能力，更看多步协作能力。

所以这个框架的本质，不是换一种方式给模型打分，而是把空间认知评测从“静态测试”升级成“动态任务环境”。模型在这个环境里的完整行为轨迹，才是空间认知的评测对象。

4. 自己搭一套类似评测流程，可以按这个顺序来

4.1 第一步：定义任务和输出格式

不要一上来就做一大堆任务。先从一个小而明确的空间任务开始。

举个例子：让模型根据文字描述生成一张 8x8 网格俯视图，在网格上用几何图形表示物体位置。描述是“一个房间，门在北墙中间，床在右下角，窗户在西墙中部，书桌靠东墙”。

输出格式可以有两种选择：

• 图像格式：模型直接生成 PNG 图片；
• 结构化中间格式：模型先输出 SVG 或带坐标的布局描述，再渲染成图。

我建议先采用结构化中间格式。原因很简单：规则检查可以直接在结构化数据上进行，不需要做图像理解。等你把流程跑通，再增加纯图像输出任务。

4.2 第二步：确定评估器和阈值

针对上面的任务，评估器可以拆成三层：

1. 硬规则：门是否在北墙中间区域？床是否在右下角？物体是否超出网格边界？
2. 关系检查：床、门、窗户、书桌的相对位置是否和描述一致？
3. 合理性检查：物体之间是否重叠？是否有明显不合理的布局？

每层都要预先设定通过阈值。比如硬规则全对算基础通过，关系检查达到 80% 以上算良好，合理性检查由人工或 VLM 给出通过或不通过。

阈值设定不要拍脑袋。建议先跑 20 条样例，看分布情况，再根据任务难度调整。太简单导致满分一片，或太难导致全部零分，说明阈值和任务设计不匹配。

4.3 第三步：先跑最小闭环

最小闭环是指：一个任务、一个模型、一个评估器，跑通一遍完整流程。

具体步骤是：

1. 把任务描述发给模型；
2. 模型输出结构化布局；
3. 规则检查器检查硬约束，输出通过/不通过列表；
4. 如果不通过，把具体问题反馈给模型，要求修订；
5. 循环最多 5 轮，记录每轮结果；
6. 最终输出评分和修订记录。

这一步不要追求评测规模，只看流程是否顺畅。最容易出现的问题有三个：输出格式解析失败、反馈信息不够具体、循环没有终止条件。先把这三个问题解决，再谈扩展。

4.4 第四步：再扩展到批量对比

最小闭环跑通后，才值得做批量。

批量要做的事情包括：

• 准备评测集：建议至少 50 到 100 条样本，覆盖不同空间复杂度；
• 记录每条样本的初始得分、修订轮数、最终得分；
• 对同一个模型进行多次采样，取平均分，减少生成随机性影响；
• 多个模型之间做横向对比时，保持相同种子、相同反馈策略、相同阈值。

这里要特别提醒：不要一上来就开大并发。先跑 5 到 10 个样本，确认日志、输出目录和评估器都没有问题，再逐步增加并发。很多评测流程在批量阶段出问题，不是因为模型不行，而是因为日志没有写好，出错了找不到原因。

4.5 需要的判断指标有哪些

评测结果不能只看单一分数，建议至少统计这些指标：

这六个指标合在一起，比单一总分更有解释力。比如一个模型初始通过率高但修订成功率低，说明它能一次画对，但不太会根据反馈调整；另一个模型初始通过率低但修订成功率高，说明它基础生成一般，但空间学习能力不错。

5. 评测结果怎么读，边界在哪里

5.1 好的空间认知应该表现出哪些特征

如果你用上面这套流程测一个模型，什么样的结果才算空间认知好？我认为要同时看三个特征。

第一是旋转和缩放不变性。同一个空间描述，换成“门在右边”和“门在西墙”，模型的生成结果应该有一致性。如果模型仅仅因为换个说法就完全变形，说明它依赖语言表面模式，没有真正理解空间关系。

第二是相对位置的结构正确性。模型输出的坐标可能和标准答案有偏差，但只要相对位置正确，比如“床确实在门的斜对角”，就说明空间关系理解是成立的。相对位置比绝对坐标更重要。

第三是多轮反馈的改进能力。真正好的空间认知，能够在收到具体空间反馈后做出有效调整，而不是反复生成雷同的错误结果。如果模型在三轮反馈后依然犯同样错误，那它的空间表征很可能缺少结构化的修正机制。

5.2 常见的边界和误读

评测结果不能过度解读，这里有三个很容易踩的边界。

边界一是生成随机性。扩散模型和非自回归模型都存在采样随机性，同一个输入可能生成不同的结果。不要拿一次生成结果就下结论，要多次采样看分布。

边界二是输出分辨率和表达能力。模型只能画出它输出分辨率允许的细节。一个 16x16 的网格图和一个 256x256 的布局图，能表达的空间精度完全不同。评测时不同模型如果输出分辨率不一致，对比就不公平。

边界三是 VLM 评估器的偏差。多模态模型作为评估器时，可能对颜色、布局、物体大小有偏好。比如某些 VLM 倾向于认为居中的布局“更合理”，但这不代表空间正确。所以关键空间约束必须用规则检查兜底，不能全交给 VLM。

5.3 这个框架能解决什么，不能解决什么

“画出来”这个思路能解决的核心问题，是把空间推理和语言表达解耦。模型不再需要把空间理解先转成精确数字，而是直接用生成结构表达。这对于评测生成式模型的空间能力，确实比坐标回归更自然。

但它不能解决所有空间评测问题：

• 它测的是“模型能不能生成正确的空间结构”，不是“模型能不能在真实环境里执行空间动作”；
• 它依赖评估器的可靠性，如果评估器本身判断不准，整个框架结果都会失真；
• 它更适合二维平面空间任务，对三维场景、物理交互、连续运动控制等复杂空间任务，还需要额外设计。

换句话说，这个框架是评测工具箱里的一件新工具，不是对所有空间评测问题的最终答案。

6. 真正落地时容易踩的坑和排查顺序

6.1 坑一：任务定义里的“画出来”被理解得太窄

有人会把“画出来”简单理解成“让模型输出一张图”，然后就真的只跑图像生成，结果发现评估很难做。原因是没有把输出格式规范好，也没有限定画布和表达规则。

正确做法是先定义清楚画布范围、物体表达方式、允许的坐标误差范围。可以用结构化中间格式降低解释难度，图像生成作为后续进阶任务。我在实际做评测时，永远先保证输出“可被规则解释”，再考虑“看起来更像真实场景”。

6.2 坑二：评估器本身不稳定

如果同一个生成的布局图，第一次打分 85，第二次换一种问法打分 60，那问题很可能不在模型，而在评估器。VLM 评估器对提示词非常敏感，哪怕只是把“床在右下角吗”改成“床的位置是否位于右下区域”，都可能产生不同结果。

解决办法是固定评估器提示词模板，并在正式评测前做一次评估器自检：准备一组已知正确和已知错误的样例，确认评估器能正确区分。如果自检都过不了，就不要拿这个评估器做正式评测。

6.3 坑三：Agent 循环没有终止条件

有些评测流程写好后，模型会反复修订，循环几十轮不退出。这可能是因为反馈信息太模糊，也可能是因为模型陷入重复生成。

解决办法其实不难：设置最大轮数，并监控“连续两轮输出完全相同”的情况。如果模型连续两轮没有产生有效变化，直接判定为修订失败，强制进入下一个样本。这样既保护了评测效率，也保留了“无法改进”这个重要信号。

6.4 坑四：样本量太小，结论经不起推敲

用 10 个样本就得出“模型 A 空间能力比模型 B 强”的结论，这在评测中非常危险。因为空间任务复杂度差异很大，不同样本的难度也不同。10 个样本里只要有 2 个偏简单，分数就会被拉高。

我通常建议一个最小规模的评测集不少于 50 个样本，并且要覆盖简单、中等、困难三个难度等级。如果做模型对比，还要求同一条样本对所有模型都跑一遍，而不是各自用不同的评测集。

6.5 通用排查顺序

如果评测结果异常，不要急着怀疑模型能力，按这个顺序排查：

1. 先看输出解析：模型返回的内容能不能被评估器正确解析？格式飘移是最常见的问题；
2. 再看规则检查器：检查器本身是否有 bug？边界条件是否覆盖？比如“左下角”到底算哪个范围；
3. 再看评估器稳定性：用已知正确和已知错误的样例跑一遍自检；
4. 再看日志记录：每一轮的输入、输出、反馈是否都完整保存？没有日志就很难定位问题；
5. 最后才是模型本身：在多个轮次、多个种子下确认模型表现是否一致。

我在评测流程里踩过最多的坑，就是输出已经生成成功，但评估器解析失败，导致模型被冤枉成“空间能力差”。所以无论结论是好是坏，建议都先人工抽看 10 条原始输出和评估日志，确认整个数据链路没有断裂。

真要落地这套思路，我最想强调的还是那句话：先让评估器可信，再评价模型能力。评估器不可信，再好的 Agentic 循环也都是自嗨。

空间认知评测现在还很年轻，没有统一标准。像“让模型画出来，而不是报坐标”这样的方向，至少提供了一条值得尝试的路：让模型用它最擅长的方式表达空间，然后我们设计一套能看懂这种表达的评估器。如果你正在做模型评测相关的工作，不妨从一个最小任务开始，跑通闭环，再逐步扩展。你会发现，真正难的不是让模型画出来，而是怎么判断它画得好不好。