结构化 CoT 加持 Agentic AI，增强空间智能：旋转可视化与推理

arXiv:2610.04188v1 公告类型：new 摘要：近期研究表明，具备语言与视觉能力的人工智能（AI）在空间推理方面仍存在局限。本文研究了先进的生成式 AI 的空间能力，以理解物体在 3D 空间中的旋转，并利用了 AI 的图像处理与语言处理功能。我们基于修订版 Purdue 空间可视化测试——旋转化（Revised PSVT:R），训练并考察了一个生成式 Agentic AI 模型（GPT-5.6）的空间智能，以理解基于旋转图的空间旋转过程。我们对 Revised PSVT:R 进行了改进，叠加了额外的图形与上下文特征，以评估不同的 Chain-of-Thought（CoT）推理策略如何影响模型性能。结果表明，结构化 CoT 推理提升了基础 GPT-5.6 模型在两个数据集（PSVT:R 与带坐标系的 PSVT:R）上的空间推理性能。我们使用了三种 CoT 方法——(1) 结构化 CoT，(2) few-shot 结构化 CoT，以及带自优化提示（Self-optimized Prompt）的结构化 CoT。本研究评估的三种 CoT 方法之间未显示出显著的性能差异。结果显示，将结构化 CoT 推理与相关上下文信息相结合，可显著提升 VLM 在 3D 旋转任务上的表现，展示了 agentic AI 在更高效空间推理方面的潜力。然而，当上下文信息被移除后，仅靠结构化 CoT 推理带来的提升有限，模型在理解空间变换方面仍存在明显困难。这些发现表明，未来面向空间智能的 agentic AI 系统中，VLM 的有效空间推理依赖于视觉、文本与基于推理的信息的整合。