视觉语言模型空间推理一致却错误：证据不敏感性

视觉语言模型空间推理一致却错误：证据不敏感性

日前，一项来自arXiv的新研究（编号2606.02742）揭示了一个令人意外的现象：顶尖的视觉语言模型（VLMs）在面对空间距离问题时，常常给出前后一致的错误答案。这可不是模型变聪明了，而是暴露出一个根本问题——证据不敏感性。

咱们先回想一下，空间推理能力对于机器人、自动驾驶和具身AI有多重要？一个机器人要是连“桌子上的杯子离我有多远”都算不准，那它取东西时非得把桌子掀了不可。过去，业界普遍认为，如果模型对同一场景从不同角度给出的答案都一致，那就说明它真的理解了空间几何。但这项研究狠狠打了脸：事实正好相反！

研究团队设计了一套名为ViewDiag的评估框架，专门用来测试模型是否真的依赖视觉证据。他们发现，像GPT-4o、Gemini 2.5 Pro以及DeepSeek-VL2这类主流模型，在多视角测试中表现出惊人的一致性——但答案却错得离谱。模型还会“嘴硬”，换个角度问，依然给出同样的错误数据。这难道不是说明，模型根本就没在“看”画面，而是靠某种语言上的套路在蒙混过关吗？

这种“一致却错误”的现象被研究者定义为证据不敏感性。说白了，就是模型的预测结果与观察角度所呈现的视觉信息之间，联系非常微弱。举个例子：你从左边看一个杯子，觉得它离你30厘米；从右边看，它确实应该变成另一段距离。但VLM从左右看，都告诉你“30厘米”——这完全违背了视觉几何的基本常识。

为什么会这样呢？研究者推测，这跟模型训练时过度依赖语言统计规律有关。VLM在大量图文数据中学会了“距离是多少”这类问题的标准回答套路，但它并没有真正建立起三维空间的心智模型。这就像一个学生背下了所有数学题的答案，但根本不懂推导过程——一旦题目换个数据，他就彻底傻眼。

ViewDiag评估框架的厉害之处在于，它能精准区分“真懂”和“假一致”。测试流程其实挺简单的：

• 首先，对同一物体或场景进行多视角拍摄，生成一组图片。
• 然后，让模型回答各视角下的具体距离或位置关系。
• 最后，对比答案的“视角一致性”与“答案正确性”。

结果让ren大跌眼镜：在多视角一致性得分高的模型中，正确率反而偏低。这意味着一味追求“答案稳定”可能是个陷阱，稳定的错误比不稳定的正确更有害——在自动驾驶里，一个稳定的错误判断足以导致灾难性后果。

这项研究给整个AI社区敲响了警钟。现在大家都在追“大模型”“多模态”，但空间推理这个基础能力如果不扎实，所谓“通用人工智能”就依然是空中楼阁。凭什么说一个模型强？光会写诗画画可不行，得让它真正看得懂三维世界。未来，如何打破这种“证据不敏感性”、让VLM学会基于真实视觉证据进行推理，才是真正值得攻坚的难题。