MindTopo：基础模型能否在拓扑空间中推理？

空间推理不仅依赖于距离、角度和形状等度量属性，还依赖于在连续形变下保持不变的拓扑关系。认知科学认为这些关系是空间理解的基础，然而目前对基础模型的评估大多集中在度量关系或依赖视角的关系上。我们提出了 MindTopo，这是一个基于认知科学和形式拓扑学中五项属性构建的拓扑直觉基准：连续性、分离性、次序、包围和纽结。MindTopo 从两个认知层面对每种属性进行评估。推理任务要求模型识别拓扑关系或推断其变化。规划任务则将基础模型实例化为一个闭环智能体，其策略负责选择环境动作。MindTopo 包含 13 种难度可控的程序化生成任务类型，共计 11,030 个实例。我们对 14 个 MLLM 进行了基准测试，并研究了通过图像和视频生成进行增强的智能体配置，其中包括规划设置下的 3 个视频生成模型。所有 MLLM 在推理上的表现均优于规划，且表现最好的模型仍远低于人类的实测水平。在 Qwen3-VL-2B-Instruct 上，监督微调和强化学习对推理能力的提升幅度大于规划能力。生成的观测结果保留了局部线索并能达到看似合理的终点，但经过审查的推演轨迹（rollouts）无法可靠地遵循环境动力学，也无法在状态转换中保持拓扑性质。我们的网站为 https://mind-topo.github.io/