笛卡尔捷径：在极坐标空间中重新评估视觉推理

随着多模态大语言模型在传统视觉推理基准上迅速饱和，一个关键问题浮现：高分是否真正反映了鲁棒的视觉理解？本文识别出一种普遍存在的漏洞——“笛卡尔捷径”，即模型利用基于正交网格布局的基准可被离散化为文本坐标的特性，过度依赖文本演绎推理来辅助视觉问题解决。为系统性地消解这一捷径，我们引入了 Polaris-Bench，将 53 个视觉推理任务重构为极坐标空间形式，同时保留逻辑约束和任务语义，从而从根本上打破了模型所利用的正交先验。对 14 个最先进模型的评估显示，其在笛卡尔布局上取得的 70%-83% 的高分，在极坐标等效任务中骤降至 31%-39%，暴露了当前模型缺乏拓扑不变视觉推理能力的严重缺陷。