論文分享 | [IJCAI-ECAI 2026] 劍、盾與阿喀琉斯之踵：解析大語言模型在導航規劃空間推理中的語言歸納偏置

04 實驗及結果

雙干預實驗共生成57500條測試樣本，充足的樣本規模可以排除隨機誤差，客觀反映大語言模型導航推理的內在規律。

4.1 場景數據集與導航任務

實驗整體設置見表1。采用三套精心構建的合成場景數據集（A、B、C）。Matterport3D、Habitat等主流開源導航數據集雖擁有豐富的視覺場景，但標注信息并不完整，無法嚴格隔離實驗變量，不滿足本研究“信息等價、變量可控”的實驗要求。而合成數據集可獨立、同步地控制拓撲、幾何、歷史等所有維度，完美適配干預實驗需求。

• 數據集A：包含10個低復雜度場景，用于語言格式干預實驗。

• 數據集B：包含10個梯度復雜度場景（G1~G5），用于文本壓縮干預實驗。

• 數據集C：包含10個中等復雜度場景，專門用于上下文線索組合與沖突探測實驗。

  
  

選取五項覆蓋核心空間認知能力的導航任務開展評測：

• 物體定位：實體位置匹配；

• 幾何關系判斷：推理方位、相對位置等空間關系并驗證正誤；

• 拓撲連通判斷：從線性文本中驗證節點連通性；

• 可達性判斷：多跳路徑可達性分析；

• 路徑生成：端到端序列路徑規劃。

4.2 實驗模型

實驗選取不同參數量、不同部署形態的開源/閉源模型，覆蓋全梯度模型能力，探究歸納偏置隨模型規模的變化規律，同時為實際工程部署提供參考：

• 輕量部署型（≤40億參數）：適配端側設備，包括通義千問3（0.6B、1.7B、4B）、Llama-3.2（1B、3B）；

• 中端可用型（40億~320億參數）：需搭配高性能邊緣設備或輕量云服務器，包括Llama-3.1-8B、通義千問3-14B、通義千問3-32B；

• 高端能力型（超千億參數）：僅可通過接口調用的前沿模型，包括ChatGPT-5.2、Gemini-2.5。

所有實驗均將溫度系數設為0，保證實驗結果可復現。

4.3 表征干預實驗

R1組基于數據集A與圖2完成語言格式測試，結果顯示語言歸納偏置與模型規模強相關：輕量模型更適配層級式文本結構，該結構可充當推理支架、降低模型運算負擔；隨著參數量提升，層級結構的優勢逐步消失，高端大模型更傾向于使用平鋪式自然語言描述，而聚類式格式在全量級模型中表現均不佳，會割裂空間信息關聯。

圖2 語言歸納偏見（Set-A）的尺度行為

R2組基于數據集B、結合圖3開展文本壓縮與復雜度聯合實驗，圖3三組子圖分別呈現不同維度結論：在結構效果層面，輕量模型會隨場景復雜度提升出現增益反轉，簡單環境下層級格式更優，復雜環境下層級結構會變成冗余開銷，中高端模型則受格式影響極小；在壓縮耐受度層面，簡單場景對文本壓縮不敏感，復雜場景存在臨界閾值，當信息保留率低于50%時模型準確率會出現斷崖式下跌；在任務適配層面，層級格式在拓撲連通、可達性任務中表現突出，平鋪格式則更適合物體定位、幾何關系判斷類任務。

圖3 復雜度依賴性邊界與任務特異性效用（R2）

4.4 上下文干預實驗

C1組線索組合實驗分析模型偏好（圖4），數據表明所有量級的模型均顯著偏向拓撲線索，主導分數穩定在0.22至0.32區間，證明拓撲結構是大語言模型導航推理的核心支柱，模型處理離散連通關系的能力遠優于隱式坐標計算。C2組語義沖突實驗引入人為構造的語義標簽混淆，模擬真實場景中的感知混淆問題，并通過語義短板指數與圖5量化性能損失。實驗結果證實，語義歧義能夠破壞拓撲結構的穩定性，其中4B~32B的中端模型受影響最為嚴重，語義短板指數約為0.24，平均準確率下降超21%，出現語義與邏輯相脫離的問題，充分證明語義信息是大語言模型空間推理的致命短板。

圖4 在信息充足條件下線索優勢（C1，分層顯示）

圖5 線索沖突下的語義脆弱性（C2，分層級分析）

05 結論

論文歸納出大語言模型在導航空間推理中存在三大典型語言歸納偏置。其一為語言結構帶來的差異化影響即“利劍”效應：顯式層級結構對端側輕量模型能夠起到輔助支撐作用，但在高壓縮、高復雜度的空間場景中，層級結構會轉變為冗余負擔，且該結構的優劣會隨模型規模發生明顯反轉，聚類格式則始終不適用于導航場景的空間表征。其二是拓撲信息具備極強穩定性，即“堅盾”特性：無論模型參數量大小，拓撲連通關系都是導航規劃最核心、最可靠的推理依據，模型對拓撲線索的偏好遠高于幾何坐標類線索。其三是語義模糊性即“阿喀琉斯之踵-短板”：語義歧義、標簽重復等問題會突破拓撲結構的防護，擾亂全局路徑規劃，其中中端模型受語義干擾的負面影響最為突出。

基于上述結論，針對性提出工程落地規范：將拓撲完整性作為空間表征設計的首要約束條件；結合模型性能與場景復雜度靈活設置文本壓縮比例；根據部署環境與任務類型選用適配的語言格式；把語義準確性、語義消歧作為硬性要求，以此規避模型推理失效的風險。所有實驗均在可控合成環境中完成，未來可將這套干預框架拓展至含感知噪聲、標注不全的真實導航數據集，進一步驗證相關歸納偏置在實際具身場景中的有效性。