看见并非定向：基于认知基础的基准测试揭示多模态大模型中的系统性方向失败

人类逐步习得物体方向认知，而现有视觉语言基准常混淆方向与位置。本文提出 DORI，一个受人类认知启发的分层基准，将方向分解为四个维度并在粗粒度与细粒度层面评估。该基准包含 1.3 万余张图像及 3.3 万道选择题，通过隔离边界框和标准化参考系排除干扰。对 24 个主流模型的评估显示，其在通用空间任务表现良好，但在以物体为中心的方向任务上接近随机猜测，暴露出依赖分类启发式而非几何推理的局限，表明方向理解仍是多模态系统的未解难题。