让基础模型智能体在20×20符号地图上逐步探索后，节点序列记忆把GPT-5.2总准确率从43.89%提到77.78%，而模型版本与参数规模继续放大几乎不再提升空间推理
核心概要
该研究提出一个交互式评估框架，让基础模型智能体在部分可观测的20×20网格符号地图（道路、交叉口、POI）中逐步探索，再用方向判断、距离估计、邻近判断、POI密度识别和路径规划五类任务考察其空间理解，系统改变探索策略、记忆表示与推理提示后发现：探索策略对最终推理准确率影响有限，记忆表示（尤其节点序列记忆与图记忆）是核心，结构化记忆与高级提示能通过显式空间重建修复推理失败，且空间推理表现随模型版本与参数规模在达到一定能力阈值后趋于饱和。
Figure 1. Framework
· 第 9 页深度剖析
提出一个交互式、经验驱动的评估框架，让智能体在部分可观测的符号地图中逐步探索并基于局部观测构建内部表示，而非被动接收完整地图。 以往对基础模型空间能力的评估多依赖静态地图输入或文本查询，把模型当作环境之外的外部推理者；该框架把模型嵌入为逐步探索的参与者。 框架在15个城市（中国、美国、欧洲）的OSM数据上构建，地图统一归一化为20×20网格，每个网格保留9至21个POI，平均POI数15.27、交叉口20.93、主干道7.67。
记忆表示是空间推理表现的核心因素：节点序列记忆（NSM）在五个模型上均取得最高总准确率，范围55.83%至86.11%，而简单对话记忆（SDM）仅为43.61%至79.44%。 相比探索策略带来的有限差异，改变记忆结构引发的性能变化大得多，说明经验如何被组织比经验如何被采集更关键。 在固定最近POI策略与简单提示下，GPT-5.2的距离估计从SDM的20.00%升至NSM的81.67%，路径规划从50.00%升至91.67%；Claude-4.5路径规划从58.33%升至95.00%。
不同记忆结构存在任务取向的权衡：图记忆与地图记忆在路径规划上很强（GPT-5.2、Gemini-2.5-Pro、Claude-4.5达91.67%至95.00%），但在方向判断与距离估计上明显弱于节点序列记忆。 说明抽象程度更高的记忆并非普遍更优，而是把收益集中在结构性任务上，同时削弱细粒度的方向与度量线索。 GPT-5.2在图记忆下方向判断仅31.67%、距离估计33.33%，而节点序列记忆下分别为75.00%和81.67%；混合配置NSM+SDM总体提升最大，GPT-5.2从43.89%升至77.50%。
推理提示主要作为能力放大器：树状思维（ToT）在五个模型上均取得最高总准确率，比默认思维提升3至18个百分点，且对基线较弱的模型增益更大。 提示并不改变任务内在难度，也不弥补缺失的空间证据，而是改善已有空间知识的利用与多步推理的稳定性。 DeepSeek-V3.2从DT的55.83%升至ToT的73.89%，Qwen-3从62.22%升至72.22%，而Gemini-2.5-Pro在所有提示下均保持在84%以上、变化很小。
启示与展望
该框架面向符号化、离散化的20×20网格地图，道路与POI以类别符号表示，POI通过最近道路单元连接，智能体在5×5局部视野下以八方向动作移动，POI之间始终沿最短道路路径行进。它适用于在受控条件下比较不同城市与任务上的空间理解，服务于研究地图空间认知与设计地图智能体的读者。研究还报告了以比特计的记忆规模：SDM超过20000比特却准确率最低，NSM约11115.3至11519.3比特且准确率最高，GM约2730.8至3122.6比特、MM约3704.3至3844.6比特，提示存在一个兼顾冗余削减与序列信息保留的中间区间。
研究结论建立在符号化、平面化的网格地图与最短路径导航之上，作者也指出这简化了几何细节、尺度变化与制图惯例，未来可扩展到多尺度或矢量地图表示。记忆结构是显式工程设计的，而非学习或自适应形成，因此评估的是模型如何使用给定结构化记忆，而非记忆如何自主生成或精炼。评估以任务准确率为主要指标，推理效率、鲁棒性与错误模式尚未纳入。此外，模型版本与参数规模的饱和结论来自Claude多版本与Qwen多参数规模的对比，其适用范围值得在更多模型家族中继续观察。