空间推理是多模态大语言模型（MLLM）的一项核心能力，但现有基准主要关注静态场景理解。当物体被移动或交换时，模型需要同时推断空间关系以及干预如何改变场景状态。为此我们构建了 CST-Bench，专门用于评估反事实空间推理。该基准收录 7,082 条样例，覆盖 6 种干预类型和 12 种变换算子，并提供密集的因果标注，包括干预来源、受影响关系、预期效果、不变关系以及度量变化。我们在 CST-Bench 上对通用 MLLM 进行基准测试，并进一步比较了后训练策略在本基准和传统空间基准上的表现。结果表明，针对普通空间推理有效的方法在面对反事实干预时仍可能失效。我们将反事实空间推理形式化为因果状态转移建模，提出 CT-OPSD。该方法利用 CST-Bench 的标注指导教师模型学习反事实状态转移和因果推理链，然后将这些链蒸馏到仅基于真实观测进行推理的学生模型。实验结果证明 CST-Bench 是一个具有挑战性的基准，同时也是可复用的反事实空间推理监督资源；CT-OPSD 初步展示了利用这些标注提升模型的可能性。\n\n点评