文章主要内容与创新点总结一、主要内容研究背景：空间认知是多模态大语言模型（MLLMs）与物理环境交互的核心能力，但现有基准测试存在缺陷——多简化为单维度指标，缺乏对空间认知层级结构和能力关联性的捕捉，且数据集多为合成或场景单一，难以反映真实世界的空间认知复杂度。核心框架：基于神经科学中的认知地图理论，提出五级分层空间认知框架，从低到高依次为：观察（L1）：识别物体及其属性（如类别、尺寸）；拓扑与关系（L2）：理解实体间空间关系（如相邻、方位、连通性）；符号推理（L3）：将视觉符号映射为抽象含义并进行规则推理；因果推理（L4）：推断动作或环境变化的时空依赖与结果；规划（L5）：整合前四级能力生成目标导向的行动或导航策略。数据集构建：打造大规模基准测试集SpatialBench，包含15类空间推理任务（与五级框架一一对应），基于50个第一视角视频生成1347个问答对，覆盖室内外静态/动态场景（如城市道路、森林小径、办公区等），数据通过RGB相机与3D激光雷达同步采集，保证几何信息准确性。评估方法：提出面向高阶能力的统一评估指标，通过自适应权重整合五级任务表现，强调高阶推理能力的重要性；同时开展零样本、少样本（one-shot）及人类对比实验。
