3ViewSense：基于正交视图的视觉语言模型空间与心理视角推理

当前大语言模型虽具备奥林匹克级逻辑能力，但视觉语言模型却在积木计数等基础空间任务上表现不佳，揭示了“空间智能缺口”。本文指出瓶颈在于缺乏视图一致的空间接口。为此，提出 3ViewSense 框架，借鉴工程认知提出“模拟 - 推理”机制，将复杂场景分解为标准正交投影以消除几何歧义。通过对齐自我中心感知与非自我中心参考，促进显式的心理旋转与重建。实验表明，该方法在遮挡计数和视图一致性推理上显著优于现有基线，提升了多模态系统空间描述的稳定性与一致性。