论文
思维链降低了多模态 LLM 的视觉空间推理能力
Chain-of-Thought Degrades Visual Spatial Reasoning Capabilities of Multimodal LLMs
摘要
利用基于思维链 (CoT) 的思维的多模态推理模型 (MRM) 彻底改变了数学和逻辑问题的解决方式。然而，我们表明这种范式与广义空间智能相矛盾。我们对 13 个空间基准的 17 个模型进行了全面评估，并发现了一个关键差距：CoT 提示持续降低视觉空间推理的性能。此外，通过一种新颖的 No-Image++ 消融，我们证明 MRM 和 CoT 促使 MLM 遭受严重的捷径学习，并且即使在图像不存在的情况下也会从文本先验中产生视觉细节的幻觉。这些发现挑战了纯文本 CoT 在空间任务中的有效性，并强调了对以视觉为中心的推理范式的需求。