MindTopo: Can Foundation Models Reason in Topological Space?

一句话概括

MindTopo 是一个考察基础模型「拓扑直觉」的多模态基准，覆盖 5 类拓扑性质与推理、规划 2 个认知层级。结论是：现有模型推理强于规划，且与人类水平差距明显。

空间智能常被等同于度量能力：距离、角度、形状判断。这类性质随视角、尺度、坐标系变化。

认知科学指出，人类对空间的底层理解还依赖拓扑关系。相连、包含、分离、绳结可解性，在连续形变下保持不变。

度量模型容易忽略这种形变不变性：图像轻微扭曲后像素特征全变，拓扑关系却没变。现有评测多集中在度量或视角依赖关系上，拓扑维度接近空白。

论文要回答的问题很直接：当任务考「连不连、包不包、绕没绕住」时，多模态大模型还能不能推理，能不能据此行动？

MindTopo 的设计有两条主线。

性质分类：覆盖连续性（连通与断裂）、分离性（区域可否分开）、序（沿路径或边界的先后）、包围（内外与包含）、纽结（缠绕与可解性）。这 5 类既对应形式拓扑的经典概念，也被认知科学视为空间理解的早期基础。
认知层级：推理要求模型识别拓扑关系，或推断关系在变换下如何改变；规划把基础模型实例化为闭环智能体，由策略选择环境动作，在交互中达成拓扑目标。识别「这个结是死的」与动手「把它解开」是两种能力。

数据方面，基准含 11,030 个实例、13 种程序化生成任务类型，难度可控。程序化生成便于系统性调节复杂度，而非靠人工标注堆量。

评测对象包括 14 个多模态大模型（MLLM）。论文还研究了用图像与视频生成模型增强的智能体配置，其中 3 个视频生成模型用于规划场景。

推理普遍强于规划：所有被测多模态模型在推理任务上的表现都优于规划任务。判断关系只需一次前向理解，规划则要在多步交互中维持拓扑不变量，误差会累积。
与人类差距显著：表现最好的模型仍远低于所观测到的人类水平。具体差距数值、人类被试规模与任务分布，摘要未给出。
微调提升推理，对规划帮助有限：在 Qwen3-VL-2B-Instruct 上，监督微调与强化学习都更多改善推理而非规划。规划瓶颈可能不在知识层面，而在闭环决策与状态维持层面。
生成式观测不可靠：生成模型产出的观测能保留局部线索，也能到达看似合理的终点，但经审计的 rollout 不能稳定遵循环境动力学，也无法在状态转移中保持拓扑。画面「看着像对的」，拓扑上可能是错的。

这项工作换了一个评测维度。此前的空间推理基准大多可以靠更强的视觉编码器或更大的度量先验来刷分，拓扑任务对形变不变的表示提出了不同要求。

如果一个模型只记住了训练分布中的几何配置，它在连续形变下会迅速失效。反之，若模型真学到某种拓扑抽象，它应当对形变鲁棒。

适用场景较清晰：机器人抓取与操作中判断物体是否被完全包住、线缆与绳索操作中的缠绕与解缠、导航中判断区域连通性与可达性、装配与折叠任务中的顺序约束。这些任务的共同点是：度量精度可以妥协，拓扑错了就是根本性错误。