WKT作为接口：LLM空间认知中的“类人错误”是直觉还是标注偏差

一、导语：一个被误读为“智能”的现象

过去两年，把几何对象序列化为 WKT（Well-Known Text） 再喂给大语言模型，已经成为检验其空间理解能力的一种低成本手段。WKT 是 OGC Simple Features 规范中的文本几何表示，例如 POLYGON((0 0,4 0,4 4,0 4,0 0)) 描述一个边长为 4 的正方形。它结构规整、语义明确、易于批量生成，天然适合做受控实验的输入格式。

真正引发讨论的，不是模型能不能读懂坐标，而是它在某些空间关系判断上表现出的错误模式：模型并非均匀地随机出错，而是在特定拓扑关系上系统性地偏向某一类答案，而这些偏向恰好与人类被试在同类任务上的错误分布高度重合。学界把这种“错误结构相似”称为混淆决策的相似性（confusion-pattern similarity）。

一个必须警惕的推理跳跃是：从“错误相似”直接推出“机制相似”。在机器学习评测史上，这类跳跃反复出现——早期视觉模型在纹理偏置上与人类相似，被解读为“类人感知”，后续工作却表明那更多是数据集统计结构的产物。本文的核心主张是：错误相似性是必要条件，但远非充分条件；要把它升级为“空间直觉”的证据，必须引入干预性检验。

笔者认为，这个问题的价值不止于学术辨析。在 GIS 工程实践中，如果团队误把“标注偏差的复现”当成“可靠的空间推理能力”，就会在自动化制图、地址解析、规划合规审查等场景中引入难以察觉的系统性风险——因为偏差是结构化的，它不会以随机噪声的形式暴露，而会以“看起来合理”的方式持续输出错误结论。

二、背景与问题定义：为什么用WKT做探针

2.1 WKT 的接口属性与信息损失

WKT 之所以成为“桥梁”，在于它同时满足三个条件：可被 GIS 工具链无损解析、可被语言模型按 token 处理、可由程序批量生成带标准答案的样本。但桥梁本身也带来信息损失，这一点常被忽略。

本文评述：把 WKT 当作“纯文本”处理，实际上抹掉了 GIS 领域最关键的语义层——坐标系与拓扑谓词。这意味着很多评测测到的可能不是“空间认知”，而是“在缺乏空间语义的条件下做模式匹配”。这一点在解读任何“类人错误”结论时都必须前置声明。

2.2 问题定义：把模糊命题拆成可证伪假设

“模型学到了空间直觉”与“模型学到了标注偏差”这两个命题，在观测层面可能产生完全相同的错误分布。要区分它们，必须把命题操作化。本文建议采用如下三层定义：

H1（直觉假设）：模型内部形成了可迁移的空间关系表征，
   在分布外几何、非自然语言表述下仍保持一致的判断倾向。

H2（偏差假设）：模型的判断倾向可由训练语料中
   人类标注的统计规律充分解释，换数据即失效。

H3（混合假设）：两者共存，且在不同关系类型上权重不同。
   ——这是最可能成立、也最难证伪的一种。

笔者认为，绝大多数公开讨论停留在“H1 还是 H2”的二元对立上，而工程上真正需要的是 H3 的分层归因：对哪些空间关系可以信任模型、对哪些必须外接几何引擎，这个边界才是可落地的知识。

三、机制拆解：类人错误的三条生成路径

3.1 路径一：语料中的语言先验

人类在描述空间关系时存在稳定的语言习惯，例如倾向把“包含”说成“在……里面”，把相邻关系模糊为“靠近”。这些表述在互联网文本中反复出现，形成强语言先验。模型在判断 CONTAINS 与 INTERSECTS 时，可能不是在做几何计算，而是在复现“人们通常怎么说”。

这类错误的特征是：在自然语言包装下错误率高，在纯符号、去语境化的输入下错误模式会改变。这提供了一个廉价而有效的区分手段——语境剥离测试。

3.2 路径二：标注数据的系统性偏置

众包标注与专家标注在空间任务上存在可测量的差异。以常见的空间关系数据集为例，非专家标注者对“接触但不相交”（touches）与“相交”（intersects）的区分一致性明显低于专家，这类混淆会以标签噪声的形式进入训练语料。当模型在同类边界情形上表现出相同方向的混淆时，最简约的解释是它拟合了这层噪声结构。

需要强调：标签噪声不等于随机噪声。若混淆方向在标注者群体中具有一致性（例如普遍低估 touches 的独立性），那么它对模型的影响是可学习的、有方向的偏置，而非可被平均掉的方差。这正是“类人错误”最容易被误读为“直觉”的地方。

3.3 路径三：真正的几何算法性推理

不能排除模型确实习得了某种可执行的几何程序。近年关于 Transformer 学习算法任务的研究表明，在足够规整的合成数据上，模型可以内化迭代计算的结构。对于轴对齐矩形、简单多边形等低复杂度对象，模型有可能学到近似“逐点比较 + 区间判断”的流程。

本文评述：三条路径并非互斥，而是随任务复杂度分层。复杂度越低、几何越规整，路径三的权重越高；语义包装越强、边界情形越多，路径一与路径二的权重越高。因此“LLM 有没有空间直觉”这个问法本身是错的，正确问法是“在什么复杂度区间、什么表述形式下，哪种机制占主导”。

四、诊断协议：把“像人”拆成可检验的假设

下面给出一套可直接执行的诊断协议，目标是产出可复现的归因证据，而非一次性结论。协议分为五个步骤，每步都对应一个可证伪的判据。

4.1 步骤一：构建分层几何测试集

按复杂度分四层：L1 轴对齐矩形；L2 一般凸多边形；L3 含孔洞与多部件的复杂多边形；L4 带自相交或退化边的无效几何。每层生成等量正负样本，关系类型覆盖八种 DE-9IM 基础谓词。所有样本由确定性程序生成，坐标取整数以消除浮点歧义，并记录生成种子。

# 伪代码：分层样本生成（示意）
for level in [L1, L2, L3, L4]:
    for predicate in DE9IM_PREDICATES:
        for seed in range(N):
            a, b = sample_geometry(level, seed)
            label = shapely_predicate(a, b, predicate)  # 标准答案
            yield {"wkt_a": a.wkt, "wkt_b": b.wkt,
                   "query": predicate, "label": label,
                   "level": level, "seed": seed}

4.2 步骤二：语境剥离与表述扰动

对同一批样本，构造三种表述：纯符号（仅 WKT 与谓词名）、中性自然语言、带人类习惯用语的自然语言。若模型在第三种表述下错误率显著上升且错误方向与人类一致，而第一种下不一致，则路径一（语言先验）证据增强。

4.3 步骤三：分布外几何与坐标变换

对同一几何做平移、旋转、缩放与坐标重标定，保持拓扑关系不变。真正习得空间表征的模型，其判断应在这些变换下保持稳定；若判断随绝对坐标或顶点书写顺序漂移，则更可能是模式匹配。

4.4 步骤四：与人类错误分布的定量对齐

收集人类被试在相同样本上的混淆矩阵，计算模型混淆矩阵与人类混淆矩阵的相似度。建议同时报告三种指标：总体准确率差、混淆矩阵的 Cramér's V 或 Cohen's kappa、以及按关系类型分解的偏差方向一致性。仅报告总体准确率无法支撑“类人”结论。

4.5 步骤五：偏差注入对照实验

这是最具判别力的一步。构造两个微调数据集：一个保留原始人类标注偏差，一个用几何引擎重新标注以消除偏差，其余条件完全一致。若模型在后者上“类人错误”显著减弱，则偏差假设获得强支持。此实验成本可控，建议作为任何“类人推理”主张的标配对照。

延伸阅读：OGC Simple Features 规范原文（ogc.org/standards/sfa）；Shapely 几何谓词文档（shapely.readthedocs.io）；DE-9IM 模型入门讲解视频（YouTube 检索）。

五、关键数据与案例：已有研究告诉了我们什么

5.1 空间推理基准的总体图景

近三年涌现的一批基准，为这个问题提供了可比较的观测面。需要说明的是，不同基准的任务定义、输入格式与评分口径差异很大，跨基准直接比较准确率并不严谨，下表仅用于呈现量级与趋势，具体数值请以原始文献为准。

本文评述：这些基准的共同短板是“真值来源单一”。多数以程序生成的几何真值为准，这有利于控制变量，却恰恰削弱了对“人类标注偏差”这一假设的检验能力。要研究偏差继承，必须刻意引入带人类标注噪声的对照集，而这在现有基准中并不常见。

5.2 一个可复现的观察：工具调用带来的跃迁

多项工作报告了同一现象：当模型被允许调用几何计算工具（如 Shapely、PostGIS 函数）时，空间关系判断的准确率出现台阶式提升，且错误分布趋于均匀化——即“类人”的结构性偏向减弱。这一观察对本文主线极为关键：如果“类人错误”在接入确定性算法后消失，说明它并非不可替代的认知能力，而是模型在缺乏计算手段时的近似策略。

笔者认为，这一现象应当被正面解读：它说明 LLM 在空间任务中的合理定位是语义解析与流程编排，而非几何计算本身。把两者混为一谈，既高估了模型，也浪费了成熟的 GIS 算法库。

5.3 数据集预处理细节说明

为使上述诊断可复现，本文建议在自建测试集时明确记录以下预处理项：坐标统一为整数并限定在 [-1000, 1000] 区间以控制 token 长度；多边形顶点按逆时针规范化并去除共线点；对 L4 无效几何单独打标，不参与主指标统计；人类标注部分采用双人独立标注加第三人仲裁，记录标注者一致率；所有随机过程固定种子并公开生成脚本。这些细节看似琐碎，却直接决定结论能否被他人复现。

六、工程落地：GIS+LLM管线的可操作路径

6.1 分层架构：让模型做它擅长的事

基于前述分析，一个稳健的管线应把职责切开：LLM 负责把自然语言需求翻译为结构化查询、选择合适工具、解释结果；几何计算全部交给确定性引擎；两者之间用 WKT/GeoJSON 作为交换格式，并附带坐标系与精度元数据。

用户请求
   │
   ▼
[LLM 语义解析] ──► 结构化意图 {谓词, 对象A, 对象B, 坐标系}
   │
   ▼
[工具路由] ──► Shapely / PostGIS / GDAL
   │
   ▼
[确定性几何计算] ──► 布尔结果 + 中间量（距离、面积、相交区域）
   │
   ▼
[LLM 结果解释] ──► 自然语言答复 + 置信度说明
   │
   ▼
[校验层] ──► 规则检查 / 二次抽样复核

6.2 提示词与输出约束的工程要点

在必须让模型直接处理 WKT 的场景（如离线环境、轻量部署），应施加三类约束：一是要求模型先输出推理步骤再给结论，便于审计；二是强制输出结构化 JSON，包含谓词、依据与不确定标记；三是对边界情形（touches、overlaps）设置“拒答并转工具”的兜底策略。

{
  "predicate": "touches",
  "answer": true,
  "evidence": "两多边形共享边界线段但内部不相交",
  "confidence": "medium",
  "fallback": "建议调用几何引擎复核"
}

6.3 质量门禁与回归测试

把第四章的诊断协议固化为 CI 环节：每次模型或提示词变更，自动跑分层测试集，监控三个指标——总体准确率、边界谓词专项准确率、以及混淆矩阵与基线的一致性漂移。任一指标越界即阻断发布。这套做法把“模型靠不靠谱”从主观判断变成可版本化的工程资产。

拓展资源：PostGIS 空间关系函数手册（postgis.net/docs）；GeoPandas 空间连接教程（geopandas.org）；OGC API Features 实践视频（YouTube 检索）。

七、对比与局限：这条路线能走多远

7.1 两种解释的对照

7.2 局限与边界条件

第一，WKT 接口本身剥离了坐标系与视觉信息，任何基于它的结论都不能直接外推到真实 GIS 场景。第二，人类被试实验的成本与样本量限制，使得“类人”判断的统计功效往往不足，容易把小样本巧合当成结构性相似。第三，模型版本迭代极快，今天观测到的错误模式在下一代模型上可能完全改变，因此结论必须附带模型版本与评测日期。

本文评述：这些局限不是否定研究价值，而是划定结论的适用半径。笔者认为，与其追问“LLM 是否具有空间直觉”，不如沉淀一套按关系类型分层的可信度地图——它不追求哲学上的答案，却能在工程上直接指导“哪些判断可以放手、哪些必须复核”。

八、结论与展望

回到开篇的问题：当模型犯下与人类相似的错误，它学到的是直觉还是偏差？基于现有证据，最稳妥的回答是——两者都有，且比例随任务复杂度与表述形式变化。在低复杂度、去语境化的几何判断上，模型可能习得了可迁移的近似算法；在语义包装强、边界情形多的任务上，标注偏差的贡献更显著。区分二者的关键，不在于观察错误本身，而在于施加干预：语境剥离、坐标变换、重标注对照、工具接入。

对工程实践而言，结论是清晰的：把 LLM 定位为空间任务的语义层与编排层，把几何计算交给确定性引擎，并用分层测试集与质量门禁守住边界。对研究而言，下一步值得投入的方向包括：构建带人类标注噪声对照的空间推理基准、发展针对几何表征的探针方法、以及研究多模态输入（地图影像 + 文本）能否补足纯文本接口的信息损失。

“类人”从来不是一个终点，而是一个需要被拆解的中间观测。把它拆开，我们得到的不是关于机器意识的答案，而是一张更精确的能力边界图——这张图，才是真正能指导系统设计的东西。

九、主要参考文献