본 연구는 주어진 텍스트와 이미지를 바탕으로 공간 추론 능력을 평가하기 위해 시각-언어 모델(VLM)의 공간 지시 표현 사용 능력을 분석했어요. '이것'·'저것'과 같은 공간 지시 표현은 상황 맥락에 따라 지칭 대상을 결정하며, VLM은 언어와 시각 공간을 함께 추론해야 해요. 본 연구팀은 4개 언어에 대한 벤치마크를 개발하여 VLM의 다국어 능력을 평가했어요.
실험 결과, 테스트된 모델들은 인간과 다른 방식으로 지시 표현을 사용하며, 특히 대상과의 거리에 따라 적절한 지시 표현을 선택하는 데 어려움을 겪는 것으로 나타났어요. 이는 VLM이 언어별 공간 구분을 이해하는 데 한계가 있음을 시사해요.