微软推MindTopo基准：多模态模型空间拓扑推理严重不足

Microsoft Research · rss · 2026-08-13

微软研究院发布了名为MindTopo的新基准测试，旨在评估多模态大模型（VLM）的拓扑推理能力，即理解连通性、封闭性、顺序、分离和打结等结构关系的能力。

静态识别与动态规划存在巨大鸿沟

研究发现，当前模型在静态图像识别方面表现尚可，但在交互式规划任务中表现极差。模型往往能在单帧中识别出路径或结，但在需要通过一系列动作维持或改变这些关系时，理解力就会崩溃。错误通常发生在场景被正确理解后的规划阶段，模型会失去对结构关系的追踪，或提出违反物理约束的动作。

生成工具无法解决拓扑理解

研究还测试了图像和视频生成工具能否辅助模型维持拓扑理解。结果显示，图像生成仅在单帧可见时偶尔有效，而视频生成经常会破坏拓扑结构或违反任务动态。

研究人员指出，机器人或交互式助手必须理解物体间的拓扑关系，弥合这一认知鸿沟可能需要模型显式携带拓扑状态，或构建能保留拓扑结构的世界模型。

「具身」频道最新