想象一下，你让家里的机器人去“拿起桌上被压在最底下的小红书”。对于人类来说，我们会自然而然地想：先移开书上面的鼠标，再拿走键盘，最后才能抽出那本书。

但是，现在最聪明的AI能做到吗？

浙江大学与悉尼大学等机构的最新研究《SpatiaLQA: A Benchmark for Evaluating Spatial Logical Reasoning in Vision-Language Models》给出了一个扎心的答案：不能 。强如 GPT-4o，在面对这种需要结合“空间感知”和“步骤推理”的任务时，也会显得像个“笨蛋” 。

---

一、 什么是“空间逻辑推理”（Spatial Logical Reasoning）？

以往，我们评估视觉语言大模型（VLMs），通常考查两项能力：

1. 常规视觉问答（VQA）： 比如问“球员的帽子和盘子颜色一样吗？”大模型看一眼就能答出“不一样，帽子是蓝的，盘子是白的” 。

2. 常规逻辑推理： 比如丢给它一个几何题，它能通过数学公式一步步推导出正确选项 。

但在真实的物理世界里，这远远不够。研究团队首次明确提出了**“空间逻辑推理”**的概念：它不仅要求模型理解复杂场景中物体之间的空间关系，还要求模型能梳理出完成多步任务的逻辑依赖关系 。

简而言之：空间理解 + 严密逻辑 = 空间逻辑推理 。

(提示：图1左侧展示了常规VQA，中间展示了抽象数学推理，右侧则是本研究的核心——空间逻辑推理。可以看到，面对凌乱的桌面，大模型错误地认为只要移除键盘就能拿书，完全没注意到键盘上的鼠标和数据线 。）

这种能力是未来具身智能（Embodied AI）认知的核心基础 。毕竟，如果你连看图想步骤都想不对，怎么敢让你去实际操作机械臂呢？

---

二、 史上首个！SpatiaLQA 炼狱级测试场诞生

为了测试各大模型的能力，研究团队耗费心血，构建了名为 SpatiaLQA 的大规模基准数据集 。

这个数据集有多硬核？

• 规模庞大： 包含来自13类真实室内场景的 241 张图片，衍生出高达 9,605 个图文问答对 。

• 极其复杂： 完成这些任务所需的步骤数从 2 步到 10 步不等，牵涉到上千种日常物品 。

为了保证数据的逻辑严密性，团队采用了堪比“俄罗斯套娃”的三阶段数据收集法：

1. 人工标注（Manual Annotation）： 标注员精心设计复杂场景并人工写下初始操作步骤 。

2. 子图提取增强（Subgraph Extraction Augmentation）： 根据原有步骤的逻辑依赖，截取其中一部分，生成新的子任务 。

3. 图扩展增强（Graph Expansion Augmentation）： 在原有基础上，通过启发式方法再人为添加合理的后续步骤，让任务变得更长、更难 。

(提示：图4清晰展示了从原始人工标注，到拆分子图，再到扩展复杂图的完整数据增强流水线 。）

---

三、 揭榜时刻：41款顶流大模型“全军覆没”？

数据准备就绪，研究人员对当前主流的 41 款多模态大模型（包括开源和闭源）进行了一场“大考” 。

如何评分？
考虑到开放式回答很难用传统的标准答案直接比对，团队设计了一套极具巧思的自动评估系统：

• 首先，请 GPT-4o 当“阅卷老师”，对模型的预测步骤和真实步骤进行两两语义比对，生成匹配矩阵 。

• 接着，使用**匈牙利算法（Hungarian algorithm）**过滤掉冗余匹配，实现最优的一对一匹配 。

• 最后，分别计算**动作内容（Content）的准确度 $F_c$ 和前置条件（Precondition）**的准确度 $F_p$ 。
  

(提示：图5展示了如何将预测步骤（红圈）与真实步骤（蓝圈）进行精准的一对一匹配打分 。）

考试结果令人大跌眼镜：
人类在这项任务上的各项得分均超过 90% 。然而，所有的AI大模型，表现都不及格！ 即使是地表最强的 GPT-5（推断版本）、GPT-4o 或是 Claude-3.5，在预测步骤动作（$F_c$）上尚能拿到及格分，但在预测前置条件（$F_p$，即做这件事之前必须先做哪件事）时，得分断崖式下跌 。

这意味着：大模型严重缺乏因果推理能力。它们也许知道要把东西移走，但完全不知道该按什么顺序移！ 并且，任务步骤越多，模型“翻车”越惨 。

---

四、 破局之法：RSGAR（递归场景图辅助推理）

指出问题只是第一步，解决问题才是关键。既然大模型脑子“一团乱麻”，我们就帮它把场景理清。

研究团队提出了一种名为 递归场景图辅助推理（RSGAR, Recursive Scene Graph Assisted Reasoning） 的新方法 。

这个方法的精髓在于“庖丁解牛”：

1. 深度与分割双管齐下： 首先利用 Depth Anything V2 提取场景深度图，用 SAM 提取物体分割图，让模型“看清”物体的轮廓和前后距离 。

2. 递归生成场景图（Scene Graph）： 不让大模型一次性看全图，而是以任务目标为中心，像剥洋葱一样，一圈一圈往外梳理。找到目标物体 -> 找到直接挨着它的物体 -> 再找到挨着外围物体的物体… 最终构建起一个清晰的空间关系图 。

3. 带着图谱去做题： 最后，把这个结构化的场景图连同原始问题一起喂给大模型，让它给出最终答案 。

(提示：图8生动展示了借助视觉基础模型，如何将复杂的真实画面一层层抽丝剥茧，转化为大模型容易理解的递归场景图 。）

效果如何？
实验证明，在包含 8-10 个步骤的地狱级难度任务中，RSGAR 方法显著提升了 GPT-4o 的表现，完胜单纯添加深度图或物理常识的其他基准方法 ！

---

五、 结语

《SpatiaLQA》这项工作给我们敲响了警钟：在通往真正的通用人工智能（AGI）和高级机器人的道路上，我们不能只沉迷于大模型的“能说会道”或“秒解高数”，物理世界的空间空间逻辑理解，才是目前亟待跨越的鸿沟 。

希望这项由中国学者领衔的开源研究，能成为大模型进化路上的一块重要基石。目前，该项目的数据和代码已全部开源！

• 论文标题：SpatiaLQA: A Benchmark for Evaluating Spatial Logical Reasoning in Vision-Language Models
• 论文链接：https://arxiv.org/abs/2602.20901v1
• 代码链接：https://github.com/xieyc99/SpatiaLQA