前沿的视觉语言模型（VLM）并非真正“看见”世界。一项名为 InkSlop 的基准测试揭示了它们的软肋：在处理迷宫、手写补全等空间推理任务时，VLM 会优先调用代码工具进行搜索和形态学操作，而非直接依赖视觉信息理解。这一发现颠覆了对模型多模态能力的普遍认知，揭示了当前 AI 在空间智能上的根本性局限。
智能速览
VLM 在迷宫等空间推理任务中表现极差。
模型优先使用工具（如A*搜索）而非视觉分析。
频繁的网络搜索会放大语言先验，压倒视觉证据。
当前VLM的“空间智能”仍严重依赖工具拐杖。
精华内容
这项研究通过一个精妙的基准测试，撕开了前沿大模型空间推理能力的伪装。其结果不仅令人意外，更指明了当前技术路径的核心缺陷。
空间推理试金石
InkSlop 基准测试专为评估 VLM 的手写与空间理解能力而设计，它跳过了“图中有什么”的浅层识别。测试包含四项核心任务：迷宫寻路、笔画补全、轨迹反渲染和重叠文本还原。这些任务分为简单和困难两个等级，旨在检验模型是否真正理解了图像中的空间结构关系，而非仅仅匹配模式。
灾难性的表现
测试结果暴露了 VLM 的巨大短板。在迷宫困难模式中，所有模型几乎全军覆没，正确率仅为 0-14%。在重叠文本还原任务上，困难模式的准确率更是无一例外地为 0%。唯一表现尚可的是轨迹反渲染任务，GPT-4o 达到了约 70% 的准确率，但这部分评测也仅是基于结构性打分，而非对复杂空间动态的完全理解。
不愿“看图”的真相
深入分析发现，模型解决问题的思路出人意料。它们并未在视觉层面进行推理，而是倾向于调用代码工具。例如，在迷宫任务中，VLM 会先对图像进行阈值化、骨架化等形态学操作，然后应用 A* 或 BFS 算法寻径，并反复调试参数。这个过程更像是传统计算机视觉，而非智能推理。
语言先验压倒视觉
除了代码工具，VLM 还频繁使用网络搜索来验证预测。在重叠文本还原任务中，模型会搜索“X是一个词吗？”或某个数学公式是否成立。这种行为导致模型更倾向于生成常见单词或熟悉的公式，即使图像提供的视觉证据指向一个不常见的组合。这使得语言和知识的先验偏见压倒了真实的视觉输入。
InkSlop 的研究结果清晰地指出，当前顶尖 VLM 的“空间智能”更像是一种由工具驱动的“智能幻觉”，而非真正根植于视觉理解的认知能力。这为后续研究指明了方向：如何让模型摆脱对工具的过度依赖，真正学会“看懂”世界？这或许是通往通用人工智能的关键一步。
