4MT-VLM：VLM 认知图有多粗？

移动的智能体必须从它从未见过的角度识别一个地方。我们引入了 4MT-VLM，这是一个程序生成的景观数据集，每种景观都通过五种刺激模式进行渲染，这些模式消除了外观线索，同时保持布局固定：形状和颜色、仅形状、仅颜色、没有物体的裸露地形山峰，以及将山峰置于地平线上的山谷视点。最后一种情况通常在临床上用于探测人类患者的海马功能。我们在 16 个不同的开源和闭源模型中测试了这个基准，并报告了 4AFC 性能，该指标也用于对人类参与者进行评分。我们观察到，模型从研究的角度识别出一个地点，但一旦相机移动，它就会丢失，在 135° 时，概率会低于 25%，而人类观察者的得分为 85%。 Frontier 模型（Gemini 3.8 Flash、GPT-5.6）仅正确回答了 39% 和 31% 的旋转试验，只有当干扰物移动距离超过 30 米时才恢复到 85% 和 55%。我们的基准测试表明，虽然当前的 VLM 拥有基本的认知图，但它们的空间分辨率从根本上来说仍然太粗糙，一旦视点发生变化，就无法维持对世界的稳定的 3D 理解。