CurveBench：嵌套约当曲线上的精确拓扑推理基准
计算机视觉与模式识别
2026-05-19 v2 机器学习
摘要
我们引入了 CurveBench，一个用于从视觉输入中进行层次化拓扑推理的基准。CurveBench 包含 \textbf{756 张图像}，这些图像由两两不相交的约当曲线组成，涵盖简单、多边形、地形启发、迷宫状和密集计数等配置。每张图像均标注有一棵根树，编码了平面区域之间的包含关系。我们将该任务形式化为结构化预测：给定一张图像，模型必须恢复由曲线诱导的完整根包含树。尽管该任务在视觉上很简单，但评估的最强模型 Gemini 3.1 Pro 在 CurveBench-Easy 上仅达到 \textbf{71.1\%} 的树生成准确率，在 CurveBench-Hard 上仅为 \textbf{19.1\%}。我们进一步通过对开放权重的视觉语言模型进行 RLVR 式微调来展示该基准的实用性。我们训练的 Qwen3-VL-8B 模型在 CurveBench-Easy 上的树生成准确率从 \textbf{2.8\%} 提升至 \textbf{33.3\%}，在我们的评估方案下超越了 GPT-5.4 和 Claude Opus 4.5。剩余的差距，尤其是在 CurveBench-Hard 上，表明精确的拓扑感知视觉推理仍远未解决。
引用
@article{arxiv.2605.14068,
title = {CurveBench: A Benchmark for Exact Topological Reasoning over Nested Jordan Curves},
author = {Amirreza Mohseni and Mona Mohammadi and Morteza Saghafian and Naser Talebizadeh Sardari},
journal= {arXiv preprint arXiv:2605.14068},
year = {2026}
}