提出Spatial-Interactor：通过物理交互训练VLM空间推理

Kaixiang Yao 等作者发布论文，提出 Spatial-Interactor 框架，让视觉语言模型通过与可观察物理世界的交互学习物体运动和视角变化引起的状态转换，并构建了 LSI-108K 数据集。 框架将学习组织为三级课程：L1 被动世界状态转换、L2 主动自身状态转换、L3 长程交互轨迹，采用 SFT 与 On-Policy Distillation 两阶段训练。论文摘要称，在多个视觉语言模型和空间基准上的实验显示，该方法在局部状态转移建模与长程整合能力上有一致提升；该结论目前为作者声称，尚无独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。