CausalSpatial：面向以对象为中心的因果空间推理的基准测试
计算机视觉与模式识别
2026-01-21 v1
摘要
人类可以观察静态场景并瞬间预测接下来会发生什么——移动物体会导致碰撞吗？我们将这种能力称为因果空间推理。然而，当前的多模态大语言模型（MLLMs）无法做到这一点，因为它们在很大程度上仍局限于静态空间感知，难以回答 3D 场景中的“如果……会怎样”问题。我们引入了 CausalSpatial，这是一个诊断基准，用于评估模型是否能够跨四个任务（碰撞、兼容性、遮挡和轨迹）预测物体运动的后果。结果暴露了严重的差距：人类得分 84%，而 GPT-5 仅获得 54%。为什么 MLLMs 会失败？我们的分析揭示了一个根本性缺陷：模型过度依赖偏离视觉证据的文本思维链推理，产生流畅但缺乏空间基础的幻觉。为了解决这个问题，我们提出了因果对象世界模型（COW），该框架通过生成假设动态的视频来外化模拟过程。借助因果关系的显式视觉线索，COW 使模型能够将其推理建立在物理现实而非语言先验之上。我们在此公开了数据集和代码：https://github.com/CausalSpatial/CausalSpatial
引用
@article{arxiv.2601.13304,
title = {CausalSpatial: A Benchmark for Object-Centric Causal Spatial Reasoning},
author = {Wenxin Ma and Chenlong Wang and Ruisheng Yuan and Hao Chen and Nanru Dai and S. Kevin Zhou and Yijun Yang and Alan Yuille and Jieneng Chen},
journal= {arXiv preprint arXiv:2601.13304},
year = {2026}
}
备注
Code is available: https://github.com/CausalSpatial/CausalSpatial