摘要
本文提出 JigShape 基准,利用带凹凸互锁结构的拼图解决现有矩形切割导致的地面真值模糊问题。该基准包含四种网格密度下的 9.5 万个实例。研究发现,零样本视觉语言模型普遍缺乏几何推理能力,仅 GPT-5.5 在简单任务中超越随机基线。尽管监督微调在小网格上表现优异,但所有模型在网格增大时性能急剧崩溃,表明当前架构难以随复杂度增加维持一致的约束满足,揭示了可扩展几何推理的重大挑战。
AI 推荐理由
论文核心评估 VLM 的视觉 - 几何推理能力,直接针对推理机制与局限性。
研究机构
南洋理工大学
德克萨斯大学奥斯汀分校
德州农工大学
北卡罗来纳大学教堂山分校
Adobe Research
论文信息