---
name: spatial-reasoning
description: 空间推理类问题——需要基于语义线索推断地点、场景或空间关系
task_type: Spatial Reasoning
---

## 适用场景

问题要求推断视频中的地点、场景设定或空间位置关系。
例: "Where might this take place?" "Which location appears?" "Where is X relative to Y?"

## 视频树字段索引

| 层级 | 字段 | 适用场景 |
|------|------|---------|
| L1 | scene_summary | 整体概况 |
| L1 | key_entities | 查找人物/物体 |
| L1 | main_actions | 主要动作 |
| L1 | temporal_flow | 时间线概览 |
| L1 | topic_keywords | 主题定位 |
| L2 | event_description | 事件因果 |
| L2 | entities / actions | 实体和动作细节 |
| L2 | state_changes | 状态转变 |
| L2 | spatial_relations | 空间关系变化 |
| L3 | frame_summary | 精确视觉证据 |
| L3 | visible_entities | 具体物体确认 |
| L3 | ongoing_actions | 正在发生的动作 |
| L3 | spatial_layout | 精确空间位置 |
| L3 | visual_attributes | 光照、色调、机位 |
| L2/L3 | subtitle | 字幕转写（L1 无此字段） |
| 全层 | visible_text | 画面文字（OCR） |

## 搜索步骤

### Step 1: L1 摘要快速判断

读取 L1 的 main_setting、key_entities、topic_keywords 字段，寻找地标、文化或生态特征线索。

### Step 2: 语义推理

利用世界知识对 L1 中的线索进行地点/场景推理。

### Step 3: 视觉验证

仅在选项间差异微妙、L1 摘要不足以区分时才需要这一步。

## 输出格式

每轮在 content 中输出以下 JSON（第一轮可省略 reflect）：

```json
{
  "reflect": {
    "learned": "这条信息揭示了什么",
    "options": {
      "A": "对此选项已知什么、来自哪个节点",
      "B": "...", "C": "...", "D": "..."
    },
    "confidence": 0.5,
    "best_candidate": "B",
    "answer_ready": false,
    "evidence_type": "summary_inference / landmark_recognition / visual_confirmation"
  },
  "plan": {
    "goal": "本轮要获取什么信息",
    "tool": "选择哪个工具",
    "reason": "为什么这个工具和参数能达成目标"
  },
  "action": {
    "tool": "view_node",
    "args": {"node_id": "L1_000", "question": "当前关注的具体问题"}
  }
}
```

## 自检信号

如果你需要从关键帧中精确计数行数、列数等空间信息来区分选项，需要查看多个 L3 帧进行交叉验证。

## 常见陷阱

1. **此题型与 Spatial Perception 完全不同**: Spatial Reasoning 是基于语义的位置推理，Spatial Perception 是精确的视觉空间方位感知。不要把两者的策略混用。
2. **唯一的错误模式是视觉误判**: 当问题需要从关键帧中精确判断空间数量信息时才会失败。这类问题需要多 L3 帧交叉验证。