Spatial Mental Modeling from Limited Views

视觉语言模型（VLMs）能否像人类一样，仅凭几个视角就想象出整个场景？人类通过构建空间心智模型——即对不可见空间的内部表征——来推理布局、视角和运动。我们新提出的 MindCube 基准测试包含 21,154 个问题，覆盖 3,268 张图像，揭示了这一关键能力上的显著差距：现有的 VLMs 表现接近随机猜测。借助 MindCube，我们系统地评估了 VLMs 在表达位置（认知映射）、方向（视角转换）和动态（对“如果……会怎样”移动的心理模拟）方面构建稳健空间心智模型的能力。 接着，我们探索了三种帮助 VLMs 接近空间心智模型的方法：引入未见过的中间视角、自然语言推理链以及认知地图。其中，一种结合性的方法“先建图后推理”带来了显著提升，该方法联合训练模型首先生成认知地图，然后基于地图进行推理。通过训练模型在这些内部地图上进行推理，我们将准确率从 37.8% 提高到了 60.8%（提升了 +23.0%）。进一步加入强化学习后，性能甚至提升至 70.7%（提升了 +32.9%）。 我们的核心发现是：这种空间心智模型的搭建过程——主动构建并利用具有灵活推理机制的内部结构化空间表征——能显著增强模型对不可见空间的理解能力。

论文试图解决视觉语言模型（VLMs）在从少量视角想象完整场景方面的能力不足问题，类似于人类形成空间心智模型的能力。这个问题是一个新问题，表明当前的VLMs缺乏对未观测空间的有效理解和推理能力。

论文的关键思路是提出了一种“先建图后推理”（map-then-reason）的方法，通过联合训练模型生成认知地图并在其基础上进行推理，从而提升VLMs的空间理解能力。相比现有研究，这种方法强调了内部结构化空间表示与灵活推理过程的结合，具有显著的新意。

1. 提出了MindCube基准测试，包含21,154个问题和3,268张图像，系统评估VLMs在认知映射、视角转换和心智模拟方面的能力。 2. 实验结果显示，“map-then-reason”方法将准确率提升了+23.0%（从37.8%到60.8%），进一步结合强化学习后提升至70.7%。 3. 论文探索了多种方法，包括中间视图生成、自然语言推理链和认知地图构建，并展示了它们的协同效应。 4. 论文为未来的研究提供了新的方向，例如如何更好地建模未观测空间以及开发更复杂的空间推理机制。

1. Neural Scene Representations for Visual Reasoning (2022) 2. Cognitive Mapping and Planning for Visual Navigation (2021) 3. Spatial Memory Networks for Scene Understanding (2023) 4. Mental Imagery in Vision-and-Language: A Survey of Recent Advances (2023) 5. Language Models with Cognitive Maps for Spatial Reasoning (2024)