注意空间推理与行动之间的差距！利用 Spatial-Gym 对智能体进行逐步评估

针对现有基准仅在单次响应中评估模型能力的局限，本文提出 Spatial-Gym 环境，将路径查找作为含回溯选项的序列决策任务，以隔离并测试空间约束推理能力。实验评估了八种模型在不同设置下的表现，发现最强模型解决率仍远低于人类。研究表明：模型无法随难度扩展推理努力；视觉输入反而降低解决率；扩展的思维链推理在逐步设置中仍保持显著精度优势。该框架为诊断模型局限及通过强化学习提升空间推理提供了新途径。