精选理由
这篇论文戳破了MLLM空间推理的泡沫——它们并不真正理解3D世界。做具身AI、多智能体系统或空间推理的开发者，看完会重新评估模型能力边界。
该论文揭示了多模态大语言模型（MLLM）在空间推理中存在的“笛卡尔幻觉”——依赖文本概率分布而缺乏真正的3D拓扑理解。作者设计了一个新颖的视听任务：让智能体A推断智能体B对A相对位置的估计，以测试MLLM的二阶心智理论能力。为解决此问题，他们提出了“锚定具身空间分解思维链”，引导模型先建立B的局部坐标系，再根据A是否在B视野内动态加权视觉和听觉模态。实验表明，当前MLLM在零样本下准确率仅42%，而该感知受限推理链显著优于纯自我中心或他中心基线。这项工作暴露了MLLM空间推理的当前极限，并为具身AI中的认知模态感知推理建立了基础范式。
AI 翻译 · 中文
该论文揭示了多模态大语言模型（MLLM）在空间推理中存在的“笛卡尔幻觉”——依赖文本概率分布而缺乏真正的3D拓扑理解。作者设计了一个新颖的视听任务：让智能体A推断智能体B对A相对位置的估计，以测试MLLM的二阶心智理论能力。为解决此问题，他们提出了“锚定具身空间分解思维链”，引导模型先建立B的局部坐标系，再根据A是否在B视野内动态加权视觉和听觉模态。实验表明，当前MLLM在零样本下准确率仅42%，而该感知受限推理链显著优于纯自我中心或他中心基线。这项工作暴露了MLLM空间推理的当前极限，并为具身AI中的认知模态感知推理建立了基础范式。
While Multi-Modal Large Language Models (MLLMs) demonstrate impressive capabilities in general reasoning, their embodied spatial intelligence remains hampered by a "Cartesian Illusion" - a reliance on text-based probabil…