現有的視覺大模型普遍存在「語義-幾何鴻溝」（Semantic-to-Geometric Gap），不僅分不清東南西北，更難以處理精確的空間量化任務。例如問「你坐在沙發上時，餐桌在你的哪一側？」，VLM 常常答錯。

這種「語義?幾何鴻溝」源自于視覺大模型的語義空間無法承載高保真的幾何細節，導致其在空間推理時是在「憑空瞎猜」，這使得模型讀懂了畫面的語義，卻停留在「語言的世界」中，不具備現實世界賴以運行的幾何直覺，導致空間判斷漏洞百出。

• 論文標題：Geometrically-Constrained Agent for Spatial Reasoning
• 論文鏈接：https://arxiv.org/pdf/2511.22659
• 作者團隊：Zeren Chen, Xiaoya Lu, Zhijie Zheng, Pengrui Li, Lehan He, Yijin Zhou, Jing Shao, Bohan Zhuang, Lu Sheng
• 通訊單位：北京航空航天大學，上海人工智能實驗室
• 項目主頁：https://gca-spatial-reasoning.github.io
• 項目代碼：https://github.com/gca-spatial-reasoning/gca

針對這一痛點，北京航空航天大學與上海人工智能實驗室的研究團隊創新提出了幾何約束智能體（Geometrically-Constrained Agent, GCA），開創了「先形式化約束，后確定性計算」的空間推理新范式。GCA 不依賴海量數據微調，而是通過構建形式化任務約束，強制 VLM 從「模糊直覺」轉向「精確求解」，通過視覺工具調用和編寫計算代碼進行參數化計算，為空間推理搭建了一座可驗證、確定性的幾何橋梁。

GCA 直接帶領 Qwen、Gemini 等基座模型實現「能力躍遷」。在公認高難度的 MMSI-Bench 測試中，GCA 將模型性能提升近 50%，擊敗現有 Training-based 及 Tool-integrated 方法，并在多個主流空間推理測試中確立了空間推理領域的新 SOTA。

核心挑戰：跨越「語義 - 幾何」的認知鴻溝

視覺語言模型（VLM）在圖像描述與通用語義理解上表現卓越，然而，當任務轉向需要高精度幾何計算的空間推理時 —— 例如判斷物體的精確朝向、測量距離或進行視角變換 —— 其表現卻顯著下滑。

研究團隊指出，這種能力斷層的根源在于「語義 - 幾何鴻溝」。具體表現為：

• 視覺 & 幾何信息的有損壓縮：VLM 將豐富的像素信息壓縮為抽象的語義特征，這一過程如同將一幅詳細地圖簡化為幾個地標名稱，導致物體精確位置、朝向、尺度等高保真幾何細節大量丟失。
• 幾何想象的缺失：以「坐在沙發上」這一場景為例，VLM 僅能調用模糊的空間常識（知道人與沙發通常同向），卻無法在腦海中精確構建出「從沙發視角看去」的三維場景。這種幾何想象力的匱乏，使其在面對復雜空間推理時力不從心。

? 核心方法：基于形式化約束的兩階段推理

1. 任務形式化 —— 從「模糊指令」到「精確規則」

VLM 首先扮演「語義分析師」的角色，利用其強大的語義理解能力，將模糊的自然語言指令轉化為明確的數學約束。這一步驟不涉及具體計算，而是確立規則：

• 基于物體的參考系 (Object-based Frame)：利用物體自身的坐標系。例如指令「當你在洗手時...」隱含了觀察者必須「面對洗手池」，因此參考系由洗手池的朝向決定。
• 基于相機的參考系 (Camera-based Frame)：即標準的視圖坐標系。例如「從圖 1 的視角來看...」，此時參考系直接綁定為相機的基于方向的參考系 (Direction-based Frame)：由兩個物體的位置關系定義。例如「烤箱在水槽的北面」，此時「北」的方向由從水槽指向烤箱的向量嚴格定義。

2. 幾何計算 —— 在規則內進行「確定性求解」

• 智能工具調度與綁定：VLM 像指揮官一樣，調度 3D 重建等感知工具獲取數據，并能智能地將「最左邊的椅子」等模糊描述，精準綁定到具體的幾何對象上，消除語義歧義。
• 感知與計算的無縫銜接：感知工具負責將視覺世界參數化為高保真 3D 表示，計算工具則負責執行代碼、完成坐標轉換，二者在統一框架下協同，實現從「看到」到「算準」的閉環。
• 檢索增強的可靠計算：采用類似 RAG 的策略，VLM 從一個已驗證的幾何公式庫中檢索正確模型來生成代碼，從根本上杜絕「幻覺」，確保每項計算都基于可靠的物理原理。

實驗結果：全新的空間推理 SOTA

在 MMSI-Bench、MindCube-tiny、OmniSpatial 等多個主流空間推理基準上，GCA 證明了其有效性，構建了一個全新的空間智能 SOTA。

綜合性能提升

GCA 取得了 65.1% 的平均準確率，顯著超越了現有基于訓練的方法與工具集成的方法。特別是在極具挑戰性的多圖空間推理基準 MMSI-Bench 中，面對復雜的視角變換與相對方位推斷，現有主流模型往往只能徘徊在 25%~30% 左右的「隨機猜測」水平線。

而基于 Qwen3-VL-Thinking 構建的 GCA，準確率從 32.6% 躍升至 47.6%。這一數據證明，GCA 成功讓 VLM 擺脫了「蒙答案」的困境，向具備可靠的空間推理能力邁出了關鍵一步。

強大的通用性

GCA 并非特定模型的「專屬補丁」，而是一種無需訓練（Training-free）的通用推理范式，可直接賦能各類基座模型。

實驗顯示，在搭載 GCA 架構后，受測模型在 MMSI-Bench 上的性能平均實現了約 37% 的相對提升。其中，基于 Gemini-2.5-Pro 構建的 GCA 表現尤為驚艷，其準確率從 36.9% 飛躍至 55.0%，有效地激發了頂級模型的空間推理潛力。

通過系統的消融實驗與歸因分析，研究進一步證實了 GCA 架構的前瞻性：

• 可解釋的錯誤歸因：得益于 GCA 架構的模塊化設計，研究團隊能夠對推理鏈路進行精確的錯誤歸因。分析顯示，VLM 在「任務形式化」階段的準確率已高達～70%，當前主要錯誤來源于下游感知工具（如 3D 重建失敗或遮擋）。這表明，GCA 的推理邏輯是穩健的，其性能將隨著感知模型的進步而持續提升。

總結與意義

GCA 提出了一種「語言定義約束，幾何執行計算」的新范式。通過將模糊的空間查詢轉化為帶約束的數學問題，GCA 有效避免了 VLM 在有損語義空間中進行不可靠的空間想象。這不僅大幅提升了推理的準確性，也讓機器向擁有「幾何直覺」邁出了關鍵一步，回應了攀登「空間智能」高峰的核心挑戰。