心胜于空间：多模态大语言模型能否进行心理导航？

尽管多模态大语言模型（MLLMs）在具身智能体中广泛应用，但其空间推理能力仍局限于即时观察的反应式规划。受生物智能“心理导航”启发，本文提出 Video2Mental 基准，评估 MLLMs 从长视频中构建分层认知地图并生成基于地标的路径计划的能力。针对现有模型表现不佳的问题，作者提出 NavMind 推理模型，利用显式细粒度认知地图作为可学习的中间表示，并通过难度分层的渐进式监督微调，显著提升了长程空间规划精度，优于前沿商业及空间专用模型。