SATURN：多视角定位的符号空间推理

当空间推理需要构建其含义取决于参考系的关系时，视觉语言模型 (VLM) 仍然不可靠。现有的工具增强空间推理方法使推理更加明确，但通常依赖于底层几何过程和针对噪声感知的硬二元决策。我们提出了 SATURN，一种用于透视感知组合空间推理的神经符号框架。 SATURN 重建近似 3D 场景，导出软透视感知空间谓词，并使用 无需训练 Python 符号执行器组合它们，将感知与推理分开，同时通过多跳推理保留不确定性。我们还引入了 3D FORCE，这是一种诊断基准，可控制空间排列定位 (SAG) 和指代表达定位 (REF) 的推理深度、视图和透视构图。在 3D FORCE 上，VLM 和空间训练模型随着深度和透视复杂性的增加而急剧退化，而 SATURN 的退化最小，并且在每个深度上都优于每个基线。在现实世界的 MindCube 基准测试中，SATURN 的整体准确率达到了 \(78.06\%\)，比最强的基线高出 \(14\) 个百分点。