尽管目前文生图模型（Text-to-Image Models）在生成高保真图像上表现卓越，但在应对空间感知、空间逻辑推理及多目标空间交互等贴合现实场景的复杂空间智能任务时往往力不从心。现有评估基准主要依赖简短或信息稀疏的提示词，难以覆盖复杂的空间逻辑，导致模型在这些关键空间智能维度上的能力缺陷被严重低估。 来自阿里高德的一篇最新 ICLR 2026 中稿论文《Everything in Its Place: Benchmarking Spatial Intelligence of Text-to-Image…