本文提出了一个针对自然语言文本空间推理的问答型基准。通过设计语法和推理规则来自动生成视觉场景的空间描述和相应的问答对。实验表明，在这些自动生成的数据之上对语言模型进行进一步预训练，可以显著提高语言模型的空间理解能力，进而有助于提高机器在bAbI1 和 boolQ2 这两个外部数据集上的表现。