心灵之眼：面向多模态大模型的视觉抽象、变换与组合基准

多模态大语言模型在视觉语言基准上进展显著，但其视觉认知与空间推理能力尚不明确。本文提出“心灵之眼”基准，包含八项受人类智力测试启发的视觉认知任务，基于“抽象 - 关系 - 变换”分类法。该基准探测模式归纳、类比映射及心理变换等流体智能核心过程。评估显示，人类准确率达 80%，而顶尖模型不足 50%。错误分析揭示了模型在视觉注意力分配、内部感知操作及视觉概念抽象方面的缺陷，表明当前模型的空间推理能力有限。