从像素到 BFS：高迷宫精度并不意味着视觉规划

多模态模型如何解决视觉空间任务——通过真正的规划，还是通过词元空间中的强力搜索？我们引入了 \textsc{MazeBench}，这是跨 9 个受控组的 110 个程序生成的迷宫图像的基准，并评估了来自 OpenAI、Anthropic、Google 和阿里巴巴的 16 个模型配置。 GPT-5.4 解决了 91%，Gemini 3.1 Pro 解决了 79%，但这些分数具有误导性：模型通常将图像转换为文本网格，然后逐步枚举路径，对于人类快速完成的任务，每个解决方案消耗 1,710--22,818 个词元。在不增加推理预算的情况下，所有配置得分仅为 2--12\%；在 20×20的超难迷宫中，他们达到了词元限制并失败了。定性痕迹揭示了一个常见的两阶段策略：图像到网格的转换，然后是 词元级 搜索，在散文中有效的 BFS。文本网格消融显示，当给出正确的网格时，Claude Sonnet 4.6 从图像上的 6% 上升到 80%，从而将弱视觉提取与下游搜索隔离开来。当明确指示不要构建网格或执行图形搜索时，模型仍然恢复到相同的枚举策略。 \textsc{MazeBench} 因此表明，视觉规划任务的高精度并不意味着像人类一样的空间理解。