更多不一定更好：视觉空间推理中空间信息与常识信息系统性分析

视觉空间推理（VSR）尽管在多模态架构取得进展，仍然是现代视觉语言模型（VLM）面临的挑战。常见的策略是在推理时注入额外信息，包括显式空间线索、外部常识知识或链式思考（CoT）推理指令。然而，何时这些信息真正改善推理，何时引入噪声，仍不明确。本文我们对信息注入在VSR中的效果进行假设驱动的分析，涉及三个代表性VLM和两个公开基准。我们检讨（i）空间语境的类型与数量，（ii）注入常识知识的多少与相关性，以及（iii）空间定位与CoT提示之间的相互作用。我们的结果揭示了一个一致模式：更多信息并不一定导致更好的推理。针对性的单一空间线索优于多语境聚合，过量或相关性弱的常识知识会降低性能，只有在空间定位足够精确时，CoT提示才会提升准确率。这一发现凸显了选择性、任务对齐信息注入的重要性，并为设计可靠的多模态推理管道提供了实用指导。