现有的视觉大模型普遍存在「语义-几何鸿沟」（Semantic-to-Geometric Gap），不仅分不清东南西北，更难以处理精确的空间量化任务。例如问「你坐在沙发上时，餐桌在你的哪一侧？」，VLM 常常答错。
这种「语义‑几何鸿沟」源自于视觉大模型的语义空间无法承载高保真的几何细节，导致其在空间推理时是在「凭空瞎猜」，这使得模型读懂了画面的语义，却停留在「语言的世界」中，不具备现实世界赖以运行的几何直觉，导致空间判断漏洞百出。
针对这一痛点，北京航空航天大学与上海人工智能实验室的研究团队创新提出了几何约束智能体（Geometrically-Constrained Agent, GCA），开创了「先形式化约束，后确定性计算」的空间推理新范式。GCA 不依赖海量数据微调，而是通过构建形式化任务约束，强制 VLM 从「模糊直觉」转向「精确求解」，通过视觉工具调用和编写计算代码进行参数化计算，为空间推理搭建了一座可验证、确定性的几何桥梁。
GCA 直接带领 Qwen、Gemini 等基座模型实现「能力跃迁」。在公认高难度的 MMSI-Bench 测试中，GCA 将模型性能提升近 50%，击败现有 Training-based 及 Tool-integrated 方法，并在多个主流空间推理测试中确立了空间推理领域的新 SOTA。
核心挑战：跨越「语义 - 几何」的认知鸿沟
视觉语言模型（VLM）在图像描述与通用语义理解上表现卓越，然而，当任务转向需要高精度几何计算的空间推理时 —— 例如判断物体的精确朝向、测量距离或进行视角变换 —— 其表现却显著下滑。
研究团队指出，这种能力断层的根源在于「语义 - 几何鸿沟」。具体表现为：
️ 核心方法：基于形式化约束的两阶段推理
1. 任务形式化 —— 从「模糊指令」到「精确规则」
VLM 首先扮演「语义分析师」的角色，利用其强大的语义理解能力，将模糊的自然语言指令转化为明确的数学约束。这一步骤不涉及具体计算，而是确立规则：
2. 几何计算 —— 在规则内进行「确定性求解」
实验结果：全新的空间推理 SOTA
在 MMSI-Bench、MindCube-tiny、OmniSpatial 等多个主流空间推理基准上，GCA 证明了其有效性，构建了一个全新的空间智能 SOTA。
综合性能提升
GCA 取得了 65.1% 的平均准确率，显著超越了现有基于训练的方法与工具集成的方法。特别是在极具挑战性的多图空间推理基准 MMSI-Bench 中，面对复杂的视角变换与相对方位推断，现有主流模型往往只能徘徊在 25%~30% 左右的「随机猜测」水平线。
而基于 Qwen3-VL-Thinking 构建的 GCA，准确率从 32.6% 跃升至 47.6%。这一数据证明，GCA 成功让 VLM 摆脱了「蒙答案」的困境，向具备可靠的空间推理能力迈出了关键一步。
强大的通用性
GCA 并非特定模型的「专属补丁」，而是一种无需训练（Training-free）的通用推理范式，可直接赋能各类基座模型。
实验显示，在搭载 GCA 架构后，受测模型在 MMSI-Bench 上的性能平均实现了约 37% 的相对提升。其中，基于 Gemini-2.5-Pro 构建的 GCA 表现尤为惊艳，其准确率从 36.9% 飞跃至 55.0%，有效地激发了顶级模型的空间推理潜力。
通过系统的消融实验与归因分析，研究进一步证实了 GCA 架构的前瞻性：
总结与意义
GCA 提出了一种「语言定义约束，几何执行计算」的新范式。通过将模糊的空间查询转化为带约束的数学问题，GCA 有效避免了 VLM 在有损语义空间中进行不可靠的空间想象。这不仅大幅提升了推理的准确性，也让机器向拥有「几何直觉」迈出了关键一步，回应了攀登「空间智能」高峰的核心挑战。