CausalSpatial：以对象为中心的因果空间推理基准

arXiv 2026 62.9 benchmark

TLDR

提出CausalSpatial基准，揭示MLLMs在因果空间推理上远逊人类，并提出COW视频生成框架来增强物理依据。

评分理由

The paper addresses an important gap and provides a diagnostic benchmark with clear human-model comparisons. Its main weakness is that the abstract does not specify whether the benchmark uses real or synthetic scenes, and the COW framework's effectiveness is not detailed.

Read-first 评分解释

综合优先阅读分 62.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 37。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析、基准、数据集、结果

主题相关性 42%

52.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码、数据集、GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：310。

关键词评分

world dynamics prediction

world model

video world model

world simulator

generative world model

interactive world model

model-based reinforcement learning world model

深度分析

创新点

引入CausalSpatial，一个以对象为中心的因果空间推理诊断性基准，包含Collision、Compatibility、Occlusion和Trajectory四个任务。
提出Causal Object World模型（COW），一种通过生成假设动态视频将模拟过程外部化、提供明确因果视觉线索的框架。
识别出MLLMs的核心失败模式：过度依赖文本思维链推理，偏离视觉证据，产生空间上无根据的幻觉。

方法

本文引入了CausalSpatial基准，评估模型是否能在3D场景中的Collision、Compatibility、Occlusion和Trajectory任务中预测物体运动的后果，并将人类表现与GPT-5等多模态大语言模型进行比较。针对观察到的失败，提出的COW框架通过生成假设动态视频来将推理扎根于视觉物理现实，而非语言先验。

关键结果

人类在CausalSpatial上得分84%，GPT-5仅达54%，显示出严重差距。分析表明MLLMs过度依赖文本思维链推理，产生流畅但缺乏空间依据的幻觉。

资源

论文