TriViewBench：MLLM 中多视图结构推理的受控复杂度缩放

多模态 大语言模型 (MLLM) 在标准视觉问答基准上表现出强大的性能，但其在受控结构复杂性下的可扩展性仍然知之甚少。我们介绍了 TriViewBench，这是一种受控三视图视觉推理基准，由具有显式参数化对象计数和遮挡的合成 3D 场景构建。该基准测试包含 1,923 个场景和超过 14K 个问答 (QA) 对，分为四个复杂级别和三个推理类别：局部决策、对象计数和全局恢复。我们在统一的提示协议下评估了 18 个开源和闭源 MLLM。所有 18 个模型无一例外地表现出相同的能力层次结构（本地决策 > 对象计数 > 全局恢复），并且性能随复杂性单调下降：本地决策任务适度下降（相对下降 12.11%），而对象计数大幅下降（59.14%），全局恢复严重崩溃（80.02%）。对象计数的错误分析揭示了两种机械上独立的故障模式：单视图任务主要是由于遮挡盲性而导致计数不足，而多视图任务则由于跨视图身份混淆而导致计数过多。思想链（CoT）提示的总体效益接近于零（$Δ= -0.16\%$），并且其对全球复苏的影响受到强烈的能力限制，这表明瓶颈在于跨视图空间表示而不是推理策略。这些发现揭示了当前 MLLM 的基本可扩展性限制，并将 TriViewBench 定位为分析结构推理故障的受控诊断框架。