注意空间推理与行动之间的鸿沟！基于Spatial-Gym的智能体逐步评估

空间推理对导航与机器人技术至关重要，然而在这些任务上度量模型能力仍然困难。现有基准在单次（one-shot）设定下评估模型，要求在单次响应中生成完整解答，这与在交互环境中逐步工作的人类不同。我们提出Spatial-Gym，一个Gymnasium环境，它通过将2D网格谜题中的寻路作为带可选回溯的序贯决策任务来测试，从而隔离出空间约束推理。我们在500个回合上，以人类、随机策略和A*为基线，在三种设定（单次、逐步、带回溯的逐步）下评估了八个模型。最佳模型GPT-OSS 120B取得16.0%的求解率，比人类基线（98.0%）低82个百分点。逐步格式通过消除格式错误帮助较弱模型（最多+5.4%），却通过约束全局规划损害较强模型（最多5.6%）。回溯改善了回合完成率，但仅对较弱模型提升求解率；较强模型很少回溯，也未从中受益。我们的实验有三个关键发现：(1) 模型无法随难度提升而相应增加推理投入；(2) 接收空间环境图像的视觉模型求解率下降73%；(3) 即使在逐步设定下，扩展的思维链推理仍保持较标准推理3-5倍的准确率优势。Spatial-Gym使得诊断模型局限成为可能，并为通过强化学习改进空间推理提供了框架。