摘要

空间推理是认知心理学中的一个关键方面，同时也是当前视觉-语言模型（VLMs）面临的主要瓶颈。尽管已有大量研究致力于评估或提升VLMs对基本空间关系的理解能力，例如区分左右、远近以及物体计数等，但这些任务仅代表了空间推理的最基本层次。在本工作中，我们提出了OmniSpatial——一个基于认知心理学构建的全面且具有挑战性的空间推理基准。OmniSpatial涵盖四大核心类别：动态推理、复杂空间逻辑、空间交互以及视角转换，共包含50个细粒度子类别。通过互联网数据爬取与精心的手动标注，我们构建了超过1500组问答对。大量实验表明，无论是开源还是闭源的VLMs，以及现有的推理与空间理解模型，在综合空间理解能力方面均表现出显著局限性。我们进一步分析了模型的失败案例，并提出了未来研究的潜在方向。