超越笛卡尔幻觉：在感知瓶颈下测试两阶段多模态心智理论

多模态大语言模型（MLLMs）虽具备通用推理能力，但其具身空间智能受限于“笛卡尔幻觉”，缺乏落地的 3D 拓扑理解。本文针对多智能体环境中所需的二阶心智理论（ToM），提出一种新颖的视听任务：要求智能体 A 基于智能体 B 的物理朝向和感官局限，推断 B 对 A 相对位置的估计。为此，我们设计了“认知感知瓶颈”模块，并引入基于锚点的具身空间分解思维链（CoT）。该方法引导模型进行“几何到语义”的投影，动态加权视觉与听觉模态。实验表明，该方法显著优于现有基线，揭示了 MLLMs 的空间推理极限并确立了具身 AI 中认知感知推理的新范式。