TriViewBench：多模态大语言模型多视图结构推理的可控复杂度缩放

本文提出 TriViewBench，一个基于合成 3D 场景的多视图视觉推理基准，旨在评估多模态大语言模型在可控结构复杂度下的表现。该基准包含四种复杂度等级和三类推理任务。实验发现，所有模型性能随复杂度增加单调下降，全局恢复任务崩溃严重。错误分析揭示了遮挡盲区和跨视图身份混淆两种独立失败模式。研究表明，瓶颈在于跨视图空间表征而非推理策略，思维链提示几乎无效。