CROSS：通过几何算子与空间技能修正视频空间推理错误

空间推理基准覆盖多种视觉语言模型任务，但任务分数无法说明成功或失败来自哪些底层能力。每项任务都需要获取空间证据、表示几何关系并据此推理。本文在共享数据结构和坐标约定下比较预测与真实空间上下文，区分这些能力，发现四类常见错误：感知不准、空间上下文信息缺失、选择错误的测量量，以及参考系、位置或朝向跟踪错误。基于诊断，CROSS把带类型约束的几何算子和空间技能组成免训练工具库，可向不编写代码的视觉语言模型提供核验后的上下文，也可作为SpatialClaw Agent的可调用技能。五项基准测试中，ReVSI平均分由55.9%提高至60.2%，SpatialClaw在DSI-Bench上由62.8%提高至66.3%。结果表明，显式处理空间约定可在无需额外训练的情况下修正系统性推理错误。