自主无人机要在真实环境中行动，除了理解周围有什么、物体位于哪里，还需要持续判断自身的位置、运动和状态。现有无人机方法与评测大多以环境为中心，智能体的自我认知通常只是隐含条件。SIS-Bench试图把这部分能力单独提出，并用统一的“空间中的自我”框架进行评测。

如何组织无人机的空间智能

SIS-Bench沿两条互补维度组织问题：一条是对外部空间的理解，另一条是对智能体自身的认识。在此基础上，评测又分为感知、记忆和推理三个认知层级，覆盖13项任务。

数据来自1,646段真实世界无人机视频，共构造4,856组问答。作者采用面向任务的构建流程，并加入专家验证。相比只检查场景、方向或空间关系，这种设计的重点是区分“看懂环境”和“理解自己如何处于并穿行于环境”两类能力。对于无人机具身智能而言，这一区分很重要：外部目标相同，自身朝向、位移和运动过程不同，合理判断也可能不同。

现有模型的短板在哪里

论文评测显示，当前多模态大语言模型在动态过程和以智能体为中心的过程建模上存在基础性限制。结果呈现出两个趋势：空间认知与自我认知之间存在明显不平衡；从感知到记忆、再到推理，模型表现会逐级下降。这说明单帧或局部场景理解，并不能自然转化为对连续运动过程的稳定表征。

作者进一步探索了运动感知表示，通过光流与视觉特征融合，引入和智能体自身有关的动态信息。摘要给出的结论是，这种运动建模能够持续改善感知表现。不过，材料没有提供具体模型、分项分数和提升幅度，因此还不能判断其对记忆与推理层级的帮助，也无法比较不同模型的差距。

我的判断

SIS-Bench的价值不只在新增一套无人机问答数据，而在于把长期隐含的“自我”变量变成可检查的评测维度。它适合用于诊断视频大模型或无人机智能体是否真正利用了自身运动信息，而不是仅凭环境线索作答。

边界也很明确：目前材料只说明问答式评测、数据规模和总体趋势，尚不足以证明基准成绩能直接对应真实飞行中的控制可靠性。光流融合改善感知是有针对性的信号，但距离完整解决长期记忆、空间推理和闭环行动仍有差距。