多即是少：视觉空间推理中空间与常识信息的系统分析

尽管多模态架构取得进展，视觉空间推理（VSR）仍是现代视觉语言模型的挑战。常见策略是在推理时注入额外信息，如显式空间线索、外部常识知识或思维链指令。然而，这些信息何时真正提升推理、何时引入噪声尚不明确。本文通过假设驱动的分析，在三个代表性模型和两个基准上研究了空间上下文类型数量、注入常识知识的相关性及空间 grounding 与思维链的交互。结果表明，更多信息未必带来更好推理：针对性单一线索优于多上下文聚合，过量或弱相关常识降低性能，仅当空间定位足够精确时思维链才提升准确率。