Spatial Reasoning in Multimodal Large Language Models: A Survey of Tasks, Benchmarks and Methods

论文核心总结与翻译

一、主要内容

本文聚焦多模态大语言模型（MLLMs）的空间推理能力，系统梳理该领域的任务、基准数据集与优化方法。核心围绕“语言智能与空间智能的表征错位”问题展开——MLLMs依赖离散文本令牌，而空间推理需基于连续3D几何结构，导致模型在动态模拟、度量计算等任务中表现薄弱。文章通过认知功能视角构建分类体系，整合现有基准数据集，分析训练式与推理式两类优化方法，并指出当前数据集失衡、空间理解不完整等挑战，提出未来研究方向。

二、创新点

1. 提出认知功能导向的双轴分类法：从“认知维度”（参考框架、信息类型、任务性质）划分5类任务，从“推理复杂度”分为4个层级，突破传统按输入模态分类的局限。
2. 系统整合跨模态基准数据集：将文本、图像/视频、3D/具身场景的基准统一映射到上述分类体系，揭示任务分布失衡问题。
3. 双视角分析优化方法：首次明确划分训练式（空间感知模块、合成数据微调、强化学习）与推理式（思维链变体、显式空间表征）方法，阐明二者互补机制。
4. 基于认知科学构建理论框架：结合人类空间认知的神经机制与心理模型，解释MLLMs空间推理缺陷的本质。

三、核心部分翻译（Markdown格式）

Abstract

空间推理需要感知和操纵3D世界中空间关系的能力，是人类智能的核心组成部分，但对多模态大语言模型（MLLMs）而言仍是一项持