Un estudio reciente publicado en arXiv analiza la capacidad de los modelos de fundación visual para mantener un estado espacial persistente, una habilidad esencial para la percepción y la acción en entornos dinámicos. Los autores investigan si estas redes neuronales pueden gestionar la información más allá de la visión inmediata, utilizando cuatro niveles de capacidad espacial: estructura espacial, persistencia de objetos, actualización predictiva y acciónabilidad. La investigación se basa en pruebas de características congeladas aplicadas a diez representaciones distintas, evaluando su rendimiento bajo observaciones egocéntricas en tiempo real de entornos interiores estáticos.
Los resultados muestran que la capacidad varía significativamente según la tarea, la capa de la red y la longitud del prefijo utilizado. Un hallazgo clave es que la lectura precisa de la escena visible no garantiza la persistencia precisa de los objetos ni la recuperación de características futuras. Los controles emparejados separan la precisión de la lectura de la dependencia de la historia visual y el movimiento. Aunque la predicción nativa de futuro conserva la estructura espacial recuperable, los lectores espaciales entrenados con características reales no se transfieren eficazmente a las características predichas sin cambios. Además, la selección de candidatos dependiente del objetivo no establece una utilidad de acción continua fiable: las acciones predichas responden a los cambios de objetivo, pero proporcionar el objetivo correcto no mejora de manera fiable el progreso.
El estudio concluye que la persistencia de objetos y la acciónabilidad se construyen sobre la lectura de la postura de la cámara, mientras que la predicción de características se basa en la lectura de la escena visible. Estos hallazgos motivan la evaluación de las representaciones espaciales no solo por lo que se puede decodificar de ellas, sino por si dicha información se mantiene más allá de la observación, se actualiza de forma predictiva y se utiliza para la acción dirigida por objetivos.