MindTopo 揭示视觉语言模型的空间推理能力

MindTopo 基准测试显示，多模态大语言模型的静态拓扑推理表现优于交互式规划，但两者均明显落后于人类。该基准围绕连续性、分离、顺序、包围和绳结设置推理与规划任务。模型在规划中常无法持续追踪结构关系，或提出违反物理约束的动作，暴露出跨动作维持拓扑理解的短板。