MindTopo: Can Foundation Models Reason in Topological Space?
作者: Yunfei Ge, Anbang Liu, Qineng Wang, Johnalbert Garnica, Jianwen Lyu, Zihan Wang, Reuben Tan, Jianfeng Gao, Ruohan Zhang, Yining Hong, Jiajun Wu, Manling Li
分类: cs.AI, cs.CL, cs.CV
发布日期: 2026-09-10
备注: Preprint version
💡 一句话要点
提出MindTopo基准以评估基础模型在拓扑空间中的推理能力
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 拓扑推理 基础模型 空间理解 多模态学习 程序生成 闭环代理 认知科学 模型评估
📋 核心要点
- 现有基础模型评估主要集中在度量属性，忽视了拓扑关系的推理能力，导致模型在空间理解上存在不足。
- MindTopo基准通过引入五个拓扑属性，评估基础模型在推理和规划任务中的表现，填补了现有研究的空白。
- 实验结果显示，所有模型在推理任务上的表现优于规划任务，最佳模型的表现仍显著低于人类水平，表明进一步优化的必要性。
📝 摘要（中文）
空间推理不仅依赖于距离、角度和形状等度量属性，还依赖于在连续变形下保持不变的拓扑关系。尽管认知科学将这些关系视为空间理解的基础，但现有的基础模型评估主要集中在度量或视角依赖的关系上。本文提出MindTopo，一个基于认知科学和形式拓扑的拓扑直觉基准，涵盖连续性、分离性、顺序性、封闭性和结的五个属性。MindTopo在两个认知层面上评估每个属性，推理要求模型识别拓扑关系或推断其变化，规划则将基础模型实例化为闭环代理，选择环境动作。该基准包含13种程序生成任务类型的11,030个实例，具有可控的难度。
🔬 方法详解
问题定义：本文旨在解决基础模型在拓扑空间推理能力不足的问题，现有方法多集中于度量属性，未能充分评估拓扑关系的影响。
核心思路：通过MindTopo基准，评估模型在五个拓扑属性（连续性、分离性、顺序性、封闭性和结）上的推理和规划能力，强调拓扑关系在空间理解中的重要性。
技术框架：MindTopo基准包含11,030个实例，涵盖13种程序生成的任务类型，分为推理和规划两个层面，推理关注拓扑关系的识别，规划则涉及模型作为闭环代理的环境动作选择。
关键创新：MindTopo的创新在于系统性地评估拓扑推理能力，填补了现有基础模型评估的空白，提供了一个新的研究方向。
关键设计：在实验中，使用了14个多模态语言模型（MLLM），并结合图像和视频生成技术，特别是在规划设置中引入了3个视频生成模型，优化了模型的推理和规划能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所有评估的多模态语言模型在推理任务上的表现普遍优于规划任务，最佳模型的推理能力仍显著低于人类水平。此外，监督微调和强化学习对推理的提升效果明显，生成的观察保留了局部线索，但在环境动态和拓扑保持方面存在不足。
🎯 应用场景
MindTopo基准的提出为基础模型在拓扑推理方面的研究提供了新的评估工具，具有广泛的应用潜力，尤其是在机器人导航、计算机视觉和人机交互等领域。通过提升模型的拓扑理解能力，可以推动智能系统在复杂环境中的决策和规划能力，具有重要的实际价值和未来影响。
📄 摘要（原文）
Spatial reasoning depends not only on metric properties such as distance, angle, and shape, but also on topological relations that remain invariant under continuous deformation. Cognitive science identifies these relations as foundational to spatial understanding, yet foundation-model evaluations largely focus on metric or viewpoint-dependent relations. We introduce MindTopo, a benchmark of topological intuition across five properties grounded in cognitive science and formal topology: continuity, separation, order, enclosure, and knots. MindTopo evaluates each property at two cognitive levels. Reasoning asks a model to identify topological relations or infer how they change. Planning instantiates a foundation model as a closed-loop agent whose policy selects environment actions. MindTopo contains 11,030 instances across 13 procedurally generated task types with controllable difficulty. We benchmark 14 MLLMs and study agent configurations augmented with image and video generation, including 3 video generative models in planning settings. Every MLLM performs better on reasoning than on planning, and the best-performing model remains far below observed human performance. On Qwen3-VL-2B-Instruct, supervised fine-tuning and reinforcement learning improve reasoning more than planning. Generated observations retain local cues and reach plausible endpoints, but audited rollouts do not reliably follow environment dynamics or preserve topology across transitions. Our website is at https://mind-topo.github.io/