链式思考会降低多模态大语言模型的视觉空间推理能力
计算机视觉与模式识别
2026-04-20 v1 人工智能
摘要
基于链式思考（Chain-of-Thought，CoT）的多模态推理模型（MRM）在数学与逻辑问题解决方面取得了显著进展。然而，我们发现该范式在处理通用空间智能方面存在挑战。我们对十七个模型进行了跨十三个空间基准的全面评估，识别出关键性缺口：CoT 提示在视觉空间推理中表现一致下降。进一步通过一种新颖的无图像++（No-Image++）消除实验，证明MRM和CoT提示的大语言模型（MLM）存在严重的捷径学习问题，即使无图像亦会从文本先验中生成幻觉的视觉细节。这些发现挑战了仅用文本CoT处理空间任务的有效性，凸显了面向视觉导向推理范式的必要性。
引用
@article{arxiv.2604.16060,
title = {Chain-of-Thought Degrades Visual Spatial Reasoning Capabilities of Multimodal LLMs},
author = {Sai Srinivas Kancheti and Aditya Sanjiv Kanade and Vineeth N. Balasubramanian and Tanuja Ganu},
journal= {arXiv preprint arXiv:2604.16060},
year = {2026}
}