SpatialVLM é um modelo de linguagem visual desenvolvido pelo Google DeepMind, capaz de compreender e raciocinar sobre relações espaciais. Treinado em um vasto conjunto de dados sintéticos, ele adquiriu a capacidade de realizar inferências espaciais quantitativas de forma intuitiva, semelhante à dos humanos. Isso não apenas melhora seu desempenho em tarefas de VQA espacial, mas também abre novas possibilidades para tarefas downstream, como raciocínio espacial em cadeia e controle robótico.