4MT-VLM 显示视觉模型转动视角后认不出地点

视觉语言模型能从初次看到的角度识别景观，但镜头移动后，多数无法找出同一地点。这是 4MT-VLM 的发现，这套新基准测试改编自临床空间记忆测试。

德国应用研究机构 Fraunhofer IAIS 的 Markus Frey，让 16 个开放和闭源模型完成用于人类患者的题目：学习一幅电脑渲染的四山峰景观，再从新角度展示的四幅相似景观中找出它。一名人类志愿者在旋转试验中约五次答对四次。多数模型不比猜测更好。

为什么重要

机器人工程师将视觉语言模型用作移动机器人的眼睛时，恰好需要这种能力：机器人转身后仍能认出房间。预印本发现，更大的模型和更详细的指令都无法提供这项能力。

识别仍然有效，旋转却失败

基准测试改编自 Four Mountains Test。临床医生使用这项测试，是因为海马体受损和阿尔茨海默病早期患者的分数会下降。每次试验中，学习图像与测试图像之间的颜色、纹理和光照都改变，因此即使没有旋转，也无法通过匹配像素解决。Frey 用未旋转试验的准确率，检查模型是否能够识别地点。

模型通过了这项检查，却在旋转上失败。OpenAI 的 GPT-5.6 Luna 答对所有未旋转试验，旋转试验却只答对 31%，而猜测会答对四分之一。汇总全部 16 个模型后，最差角度为 135 度，准确率明显低于随机水平。

最大变化是旋转半圈，即 180 度，其得分却高于 135 度。Frey 将这解读为模型使用图像捷径的迹象，例如与场景镜像比较，而非旋转内部地图。人类比较来自单一参与者，足以说明任务可解，却无法给出人类平均水平。

大模型识别更多，旋转没有改善

规模提升了识别能力，旋转表现却停留原处。在阿里巴巴 Qwen2.5-VL 家族中，从 30 亿到 720 亿参数，未旋转准确率从 30% 升至 75%，旋转准确率则保持在随机水平或以下。InternVL3.5 家族在 10 亿至 380 亿参数间重复了这一模式。在 14 个最高达 2350 亿参数的开放权重模型中，没有一个答对超过 31% 的旋转试验，“思考”版本与标准版本得分相同。

指令没有缩小差距。Frey 用六种提示词运行 Qwen2.5-VL-32B，包括明确要求想象正上方布局，或以最独特山峰为锚点。六种都让模型低于随机水平。

拉开错误答案的距离，暴露粗略地图

最有信息量的实验只改变错误答案。Frey 用米衡量两幅景观在最佳旋转后山峰之间的距离，再从距离更远的布局中重新绘制三个干扰选项，保持目标和角度相同。

将最近干扰选项从约 7 米拉远到约 31 米，使谷歌（Google）的 Gemini 3.8 Flash 在旋转试验上从 39% 升至 85%，GPT-5.6 Luna 从 31% 升至 55%。没有开放模型获得统计上显著的提升。

这是论文关于前沿模型拥有某种低分辨率布局感的证据。没有地图的模型无法从拉开干扰选项距离中获益，而拥有人类水平地图的模型不需要 30 米间隔。效果类似从飞机窗口认出城镇，却认不出街道。

错误也指向同样的结论。答错的人倾向选择布局最接近目标的干扰选项。模型的错误答案则几乎均匀分布在近、远干扰选项之间，仿佛布局没有参与选择。

单一作者的合成测试

景观是合成渲染图像，Frey 指出，在类似渲染场景上预训练可能有利于某些模型。闭源模型未披露参数量，因此规模证据仅依靠开放模型。预印本于 2026年9月30日发布到 arXiv，只有一位作者，没有链接代码或数据集。

Frey 称，正在测试更多人类参与者，这将为志愿者在旋转试验中 82% 的得分提供合适的比较组。

核实