从幻觉到落地：通过 CRISP 诊断视觉空间智能

当前视觉语言模型评估常混淆语言先验与真实空间推理。为此，本文提出 CRISP，一种新颖的结构化诊断评估范式，通过一致性（即隐式感知与显式推理的对齐）来评估视觉空间智能。不同于传统黑盒问答，CRISP 利用度量 3D 场景图和预言机干预协议，将潜在推理能力与感知瓶颈解耦。诊断发现系统性感知 - 推理脱节：专有模型虽具强大潜在推理引擎，但度量估计不准且无法利用隐式结构表示；开源模型则受限于缺乏多跳组合推理。CRISP 为超越端到端后训练的多模态对齐提供了严谨路线图。