Слепое пятно зрения-языка: VLM умеют называть объекты, но не понимают пространство

Модель видит на фото каждый стул, каждый стол, каждую дверь. Но спроси «куда пройти?» или «где удобно сесть?» — ответ резко хуже. Переформулируй, добавь «думай как человек в этом месте», попробуй пошаговые рассуждения — не поможет. Исследование позволяет понять где именно VLM ломается на задачах с пространством и как это частично компенсировать. Фишка: дело не в конкретной модели и не в промпте — в миллиардах подписей к фото никто никогда не писал «здесь можно сесть, туда пройти, это удобно взять рукой». Это очевидно любому у кого есть тело. В итоге всё телесное знание системно выпало из данных — не случайно, а по законам человеческого общения.