问多模态大模型"盒子里装的是什么"，它几乎总能答对。但让它真的动手——掀开盖子、取出物体、在场景不断变化中始终盯住"什么东西在什么地方"——它就崩了。微软研究院（MSR）发布的新基准 MindTopo，把这个"看得见结构、却守不住结构"的差距变成了可测量的指标。
第一个拓扑推理基准
MindTopo 号称首个专门评估 AI 拓扑推理能力的基准，覆盖五类核心关系：连通性（谁挨着谁）、包围性（谁在谁里面）、顺序性（谁先谁后）、分离性（谁和谁隔开）、缠结（谁缠着谁）。
它分两种模式测试：静态识别——模型能否在单张图里认出拓扑关系；动态规划——能否在连续动作序列中保持并操作这些关系。
核心发现：感知没问题，规划掉链子
结果相当不对称：当前多模态模型静态识别表现不错，一旦进入交互任务，性能明显退化。论文明确指出，问题出在规划阶段而非感知阶段。两种典型失败：场景一变，模型就丢掉结构关系（盒子一动，"杯子在里面"这个事实就消失了）；或者提出违反物理约束的动作，比如"穿过"容器去拿里面的东西，仿佛包围关系根本不存在。
看地图 ≠ 走迷宫
静态基准考的是"读懂场景结构"，MindTopo 考的是"在世界变动时维持结构一致"。前者是分类问题，后者是一致性维护问题——两者难度几乎不相关。这也是业界转向世界模型（world model）的同一动因：VLM 看到的是 2D 图像，脑子里却没有 3D 动力学模型。微软自己的 MindJourney、MV-RoboBench 都在推同一论点，MindTopo 则补上了诊断工具：明确指出拓扑一致性是缺失的核心能力。
对机器人行业意味着什么
对做机器人、操作、交互 Agent 的团队来说，这是把瓶颈实体化了。抓取、装配、工具使用、导航——全都要求在时间轴上守住结构关系。一个在规划时违反包围约束的模型，失败不是"没答对"，而是物理上危险。
给开发者的建议
- 别信静态 VQA 分数。它高估了交互能力。改用 rollout 式评测：让模型真的执行、场景逐步变化。
- 把"违反物理约束"当成一等失败。统计包围/连通违规，而不只看任务成功率。
- 显式跟踪结构。场景图、状态跟踪器、世界模型耦合，都能接住规划阶段丢掉的那部分拓扑。
拓扑推理正在成为具身智能真正的能力试金石——它会越来越多地写进研究议程和产品路线图。
来源：MindTopo reveals VLMs' spatial reasoning abilities — 智源社区
