近年来，多模态大模型（MLLMs）发展迅猛，从看图说话到视频理解，似乎无所不能。
但你是否想过：它们真的“看懂”并“想通”了吗？
模型在面对复杂的、多步骤的视觉推理任务时，能否像人类一样推理和决策？
为评估多模态大模型在视觉环境中，完成复杂任务推理的能力。清华大学团队受密室逃脱游戏启发，提出EscapeCraft：一个3D密室逃脱环境，让大模型在3D密室中通过自由探索寻找道具，解锁出口。
该论文目前已入选ICCV 2025。
EscapeCraft 环境
沉浸式互动环境，灵感源自密室逃脱
研究团队打造了可自动生成、灵活配置的 3D 场景 EscapeCraft，模型在里面自由行动：找钥匙、开箱子、解密码、逃出房间……其中每一步都需整合视觉、空间、逻辑等多模态信息。
任务可扩展，应用无限可能
EscapeCraft以逃出房间为最终目的，重点评测逃脱过程中的探索和决策行为、推理路径等。支持不同房间风格、道具链长度与难度组合，还可扩展到问答、逻辑推理、叙述重建等任务。它是一个高度灵活、可持续迭代的通用评测平台，也可以为未来的智能体、多模态推理、强化学习等方向研究提供基础环境、数据和奖励设置方面的支持。
EscapeCraft支持自由定制和扩展想要的难度等级。不同难度等级下所需的逃脱步骤有所不同。
为了提高任务的难度，我们将线索放置在了墙上而不是箱子中，考验模型对于环境信息的接收和处理能力，除此之外线索在房间的摆放位置也可自由选择。
在第一个场景中，线索位于靠近出口的墙上，此时GPT-4o的表现更加出色，可以对线索进行正确利用。
不过，当我们把线索移动到距离出口较远的墙上，GPT-4o开始不断重复历史路径，无法对正确理解和利用线索，导致逃脱失败。
模型推理和过程评测
Gemini-1.5-Pro 密室逃脱第一视角
这张图展示了 Gemini-1.5-pro 模型成功逃脱一个房间的全过程。
开始的0到4步，模型原地不动，通过旋转视角来观察房间的环境。
它先从右侧开始旋转，一步步查看房间的不同区域，试图找到可交互的物体或线索，比如电视、桌子和椅子。
到了第五步，模型将视角对准电视方向，继续寻找可操作的元素，这时我们可以看到桌上有一把钥匙。
第六步时，模型前进并拾取了这把钥匙。拿到钥匙后，模型表示自己准备转身面对门，尝试使用钥匙。
接下来的步骤中，模型开始朝门的方向移动，意图解锁房门。在移动过程中，它多次调整视角，尤其是向上看，试图确认门的位置。
由于视角偏低，模型一开始没能看到门，于是不断微调视角方向来定位门的位置。
从“答对”到“会想”
与传统只看最终任务结果的评测不同，EscapeCraft 关注整个任务完成过程：模型是否自主探索？有没有重复犯错？道具用得对不对？从而真正测试模型的“类人推理过程”。
论文重点弥补以结果为导向的评估缺陷，强调中间推理过程。为此设计了多个衡量视觉感知、多模态推理、环境探索和工具获取和利用的过程的创新指标：
Intent-Outcome Consistency（意图与结果一致性）：衡量模型与环境的交互结果是否和的模型的交互意图一致，即模型是否“在正确的位置做正确的事”。
Prop Gain / Grab Ratio / GSR：刻画模型在探索和推理过程中的行为模式，反映模型的交互质量、推理效率、和智能程度。
评测结果显示：GPT-4o 在 Difficulty-3 中仅有 26.5% 的子目标达成是“真正理解后完成的”，其余大多为偶然成功（比如想拿电视却误抓到关键道具）。
研究还发现大量有趣失败案例。例如：
模型面对不可交互的沙发，仍试图抓取，并在“理由”中解释“沙发下可能藏着钥匙”；
模型原本已经看见了关键道具，却在移动过程中将其“逐步移出视野”，随后继续提及该道具却操作失败……
团队据此将错误拆分为两类：
视觉感知错误：误判目标是否可交互，视角控制失败；
推理逻辑错误：目标设定错误，或动作与意图不符。
其中 Claude 3.5 的错误中，61.1% 属于推理问题，38.9% 属于视觉问题。这说明即便模型“看到了”，不代表它“想清楚了”。
谁能逃离“密室”？模型表现结果对比
单房间逃脱结果统计，包括3个不同难度级别（数值越大越难）。
研究评测了包括 GPT-4o、Gemini-1.5 Pro、Claude 3.5、LLaMA-3.2、Qwen、Phi-3 等热门模型，发现：
在任务评价指标方面：
GPT-4o 逃脱成功率（ER）最佳，但在任务复杂度提升后仍频频出错；
国产大模型Doubao 1.5 Pro在最简单的关卡中，逃脱成功率超越Gemini 1.5 Pro和Claude 3.5 Sonnet；并且其交互成功率（Grab SR）超越GPT-4o和Claude 3.5 Sonnet；
即使模型逃脱成功率相同，EscapeCraft依然能利用道具获取率（Prop）、使用步数（Step），交互成功率（Grab SR）和交互率（Grab Ratio）对模型进行比较。
比如，在“Difficult-2”中，Gemini 1.5 Pro和Claude 3.5 Sonnet有相同的逃脱成功率和道具获取率，但是Gemini 1.5 Pro凭借较高的交互率，即使它的交互成功率较低，也能通过相对较少的步数成功逃脱；而Claude 3.5 Sonnet虽然交互率低，但每一步交互的成功率较高，体现出该模型完成任务时的“深思熟虑”。
在推理和探索行为方面：
Gemini 和 Claude 常在房间角落“卡住”，空间方向等判断失误，空转失败；
多数模型容易“反复抓错”或“认错道具”，他们的失败方式也各有特色：有的不会动、有的乱动、有的只移动不采取交互行动、有的动作对了但“目的不清”……；
子目标达成率虽高，但意图-结果一致性普遍低下，即“想要和沙发交互，但是意外地拿到钥匙”；
在多房间设定下，模型能从第一个房间学习到的逃脱经验有限，仅在两个房间关卡设定相似的条件下有辅助作用。
项目主页：https://thunlp-mt.github.io/EscapeCraftGitHub 地址：https://github.com/THUNLP-MT/EscapeCraft论文原文：https://arxiv.org/abs/2503.10042v4
