空间推理不仅依赖距离、角度、形状等度量属性，还涉及在连续形变下保持不变的拓扑关系。认知科学将这些关系视为空间理解的基石，但现有基础模型的评估大多聚焦于度量或视角相关的关系。\ \ 我们推出 MindTopo 基准，围绕认知科学和形式拓扑定义的五类拓扑直觉属性进行评测：连续性、分离性、序序性、包围性和结（knots）。每个属性在两个认知层次上进行考察。推理任务要求模型识别拓扑关系或推断其变化；规划任务则将模型作为闭环代理，其策略在环境中选择动作。\ \ MindTopo 包含 11,030 条实例，覆盖 13 种可程序化生成的任务类型，并提供难度可控的参数。我们对 14 种多模态大语言模型（MLLM）进行基准测试，并在规划设置中加入图像与视频生成模块，使用了 3 种视频生成模型。实验表明，所有模型在推理任务上的表现均优于规划任务，且最佳模型仍远低于人类水平。对 Qwen3‑VL‑2B‑Instruct 进行监督微调和强化学习时，推理能力提升幅度大于规划能力。生成的观测保留了局部线索并能达到合理的终点，但经审计的轨迹并未可靠地遵循环境动力学，也未能在状态转移中保持拓扑一致性。\ \ 更多信息请访问 https://mind-topo.github.io/\ \ 点评：当前基础模型在拓扑推理方面仍显不足，尤其在需要连续动作规划的情境下，模型难以保持全局拓扑约束，这提示未来研究需加强对拓扑不变性的显式建模与学习。