深度宜述不宜示：用于视觉语言空间推理的深度序数提示

视觉语言模型（VLM）在物理空间推理方面表现欠佳，直接提供深度图反而可能降低性能。研究发现深度信号虽存在但难以被冻结模型有效利用，且伪深度图会引入噪声。为此，作者提出深度序数提示（DOP），这是一种无需训练的方法，将单目深度转化为针对查询对象的序数文本线索。实验表明，以文本形式呈现深度信号能显著改善空间推理能力，尤其在伪深度提供可靠物体排序时效果明显，且优于其他无训练的深度提示方案。