近日，在衡量多模态模型空间推理能力的关键基准测试spatialbench的最新榜单中，来自阿里巴巴的视觉理解模型取得了瞩目的成绩。其旗下的千问qwen3-vl和qwen2.5-vl模型，成功包揽了榜单的前两名，其表现超越了包括谷歌gemini 3、openai gpt-5.1以及claude sonnet 4.5在内的所有国际顶尖模型。
具体的榜单数据显示，千问Qwen3-VL-235B和Qwen2.5-VL-72B的得分分别为13.5分和12.9分，而作为对比，Gemini 3.0 Pro的得分为9.6分，GPT-5.1为7.5分。不过，榜单也指出，目前所有AI大模型的整体表现，距离能够专业处理复杂空间推理任务的人类基准线（约80分）仍有较大差距。
据了解，作为阿里在2025年最新开源的新一代视觉理解模型，Qwen3-VL在视觉感知和多模态推理方面实现了重大突破。它不仅可以调用抠图、搜索等外部工具，来完成复杂的“带图推理”任务，甚至可以仅凭借一张设计草图或一段游戏视频，直接进行“视觉编程”。
同时，Qwen3-VL还专门增强了其3D检测能力，能够更好地感知空间关系，这使得机器人在判断物体方位、视角变化等方面，能够实现更精准的操作。目前，Qwen3-VL已开源了从2B到235B MoE等多个不同参数规模的版本，并已上线至千问App，供所有用户免费体验。
SpatialBench作为近年来新兴的第三方基准测试，其主要聚焦于多模态模型在空间、结构、路径等方面的综合推理能力，被AI社区视为是衡量“具身智能”发展水平的新兴标准之一。
