IT之家 5 月 12 日消息，科技媒體 Appleinsider 昨日（5 月 11 日）發(fā)布博文，報(bào)道稱基于最新公開(kāi)的 3 項(xiàng)研究，蘋果仍在積極推進(jìn)空間計(jì)算和 Vision Pro 頭顯。

IT之家 4 月援引 MacRumors 媒體報(bào)道，蘋果公司內(nèi)部已擱置研發(fā)新款 Vision Pro，團(tuán)隊(duì)重心轉(zhuǎn)向 Siri 和 AI 智能眼鏡。

但從最新公示的研究論文來(lái)看，蘋果公司并未放棄 Vision Pro 頭顯項(xiàng)目，本輪公開(kāi)了 3 項(xiàng)研究，分別涉及多模態(tài)大模型空間推理評(píng)測(cè)、美式手語(yǔ)視頻標(biāo)注，以及 3D 頭部重建。

其中最直接的一項(xiàng)，是蘋果在機(jī)器學(xué)習(xí)博客發(fā)布的《From Where Things Are to What They’re For：Benchmarking Spatial-Functional Intelligence for Multimodal LLMs》。

這篇論文提出 SFI-Bench，用來(lái)測(cè)試多模態(tài)大模型是否既看懂空間布局，也理解物體“能做什么”。原文提到，這套視頻基準(zhǔn)包含 134 段室內(nèi)視頻掃描，并整理出 1555 道專家標(biāo)注問(wèn)題。

SFI-Bench 不只問(wèn)模型“這是什么、在哪里”，還會(huì)追問(wèn)“它怎么用、出了故障怎么辦”。例如，模型可能需要從柜子里找出同品牌數(shù)量最多的一組瓶子，理解洗衣機(jī)當(dāng)前程序如何取消，或者判斷電視遙控器的用途。相比只測(cè)空間識(shí)別的舊方法，這更接近日常家庭場(chǎng)景，也更像未來(lái)空間助手需要處理的真實(shí)任務(wù)。

測(cè)試結(jié)果顯示，Google Gemini 3.1 Pro 總分最高，OpenAI GPT-5.4-High 排名第二，Gemini-3.1-Flash-Lite 排名第三。

但論文也點(diǎn)出共同短板：幾乎所有模型都不擅長(zhǎng)“帶條件的全局計(jì)數(shù)”，并且在空間記憶、功能知識(shí)整合，以及把眼前畫(huà)面和外部知識(shí)連起來(lái)這幾件事上仍有明顯限制。

手語(yǔ)論文《Bootstrapping Sign Language Annotations with Sign Language Models》嘗試用 AI 自動(dòng)生成候選標(biāo)注，減少數(shù)百小時(shí)手工標(biāo)注成本。

原文稱，團(tuán)隊(duì)建立了近 500 條人工英文字詞到術(shù)語(yǔ)標(biāo)注，并擴(kuò)展到超過(guò) 300 小時(shí) ASL STEM Wiki 和 7.5 小時(shí) FLEURS-ASL 數(shù)據(jù)。其手指拼寫(xiě)模型在 FSBoard 上達(dá)到 6.7％ CER，在 ASL Citizen 數(shù)據(jù)集上達(dá)到 74％ top-1 準(zhǔn)確率。

第三項(xiàng)研究《Large-Scale High-Quality 3D Gaussian Head Reconstruction from Multi-View Captures》則聚焦 3D 頭像重建。

蘋果提出 HeadsUp 方法，可從大規(guī)模多攝像頭采集中重建高質(zhì)量 3D Gaussian 頭部模型。測(cè)試使用了一個(gè)超過(guò) 10000 名受試者的內(nèi)部數(shù)據(jù)集，規(guī)模比現(xiàn)有多視角人頭數(shù)據(jù)集高一個(gè)數(shù)量級(jí)。這可能和 Vision Pro 的 Persona，或 visionOS 中更自然的人臉捕捉與表情渲染有關(guān)。

蘋果公司全球營(yíng)銷高級(jí)副總裁格雷格 · 喬斯維亞克（Greg Joswiak）此前表示，Vision Pro 展示了數(shù)字世界與物理世界融合的未來(lái)形態(tài)，這種融合具有必然性。當(dāng)被問(wèn)及具體時(shí)間表時(shí)，他坦言無(wú)法預(yù)測(cè)“空間計(jì)算”何時(shí)能成為主流，但堅(jiān)信這一方向不可逆轉(zhuǎn)。

參考

• Large-Scale High-Quality 3D Gaussian Head Reconstruction from Multi-View Captures

• Bootstrapping Sign Language Annotations with Sign Language Models

• From Where Things Are to What They're For: Benchmarking Spatial-Functional Intelligence for Multimodal LLMs

相關(guān)閱讀：

• 《蘋果高管力挺 Vision Pro 頭顯，空間計(jì)算是必然趨勢(shì)》

廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。