MindTopo 揭示多模态大模型的空间推理短板

微软研究院推出 MindTopo 基准，用连续性、分离、顺序、包围、绳结五类拓扑任务评测多模态大模型的推理与规划能力。结果显示，模型在静态图像识别上明显强于交互式规划，且两者均远低于人类水平；失败多发生在规划阶段而非感知阶段，模型常在多步动作中丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧关系可见时偶有帮助，序列场景中仍不可靠。