← 返回 2026-09-25 简报

Spatial-Interactor:通过与可观测物理世界的交互学习空间推理能力

Spatial-Interactor: Learning Spatial Reasoning through Interaction with the Observable Physical World

语音播报
摘要
事件:浙江大学团队提出Spatial-Interactor框架,通过构建LSI-108K数据集训练VLMs。 要点:采用三级课程学习涵盖被动状态、主动自我状态及长程轨迹; 影响:为视觉语言模型提供直接的状态转换监督,增强其在动态环境中的长程空间推理能力。

论文
arxiv:2609.23038
复制 Markdown
Spatial-Interactor:通过与可观测物理世界的交互学习空间推理
发布于 9月19日
·
提交者
Wenqi Zhang
于 9月24日

2 今日论文

·
ZJU-OmniAI
作者:
Kaixiang Yao
,
Xu Wang
,
Miao Pan
,
Hu Xiyue
,
Weishi Wang
,
Daniel Dahlmeier
,
Jintao Chen
,
Yongliang Shen
,
Xuhong Zhang
,
Wenqi Zhang

摘要

空间推理对于视觉-语言模型(VLMs)理解和在物理世界中行动至关重要。在动态环境中的推理要求 VLM 感知由物体运动和视角变化引起的局部状态转换,并将这些转换整合到长轨迹中以维持更新的空间状态,然而现有的 VLM 在这两方面都受到限制。当前的空间训练主要关注关于物体属性和空间关系的静态问题,为状态转换提供的直接监督有限;相比之下,交互轨迹自然地连接了前一个观察、动作和后一个观察,为局部状态转换提供了直接监督,而完整的轨迹揭示了连续转换之间的依赖关系。因此,我们引入了 Spatial-Interactor,这是一个训练 VLM 通过交互对物理世界状态转换进行建模的框架,将这一学习过程组织为涵盖 L1 被动世界状态转换、L2 主动自我状态转换和 L3 长视界交互轨迹的三个级别课程。据此,我们从模拟和真实的交互轨迹中构建了来自空间交互的学习数据集(LSI-108K),任务与每个级别的目标保持一致。我们的两阶段训练策略对 L1 和 L2 应用监督微调(SFT)以进行局部转换建模,然后使用特权自蒸馏的在线策略蒸馏(OPD):一个教师分支提供片段级转换描述,监督学生的在线思维链(CoT),帮助学生学习在 L3 长轨迹上整合连续转换。在多个 VLM 和空间基准测试中的实验表明,局部转换建模和长视界整合方面均取得了持续的提升。

查看 arXiv 页面
查看 PDF
项目页面
GitHub
45
添加到收藏
社区
kagakouko
大约 18 小时前
•
此评论已被隐藏
zwq2018
论文作者
论文提交者
大约 17 小时前

理解场景不仅仅意味着识别可见的内容:它还要求推理通过交互空间如何变化。我们介绍了 Spatial-Interactor,这是一个用于学习局部状态转换和长视界空间推理的框架。我们的 LSI-108K 数据集支持三级课程,其中 SFT 用于局部转换建模,在线策略蒸馏用于长视界整合。代码、数据集资源以及四个模型检查点均可通过我们的项目页面获取。

查看翻译
回复
researchstudio-bot
大约 9 小时前

这是来自 ResearchStudio 团队的自动消息。

我们为这篇论文创建了一个交互式 ResearchStudio Reel。它包括一张视觉海报、一段视频和一个博客,所有文件均可下载且格式可编辑。

打开 ResearchStudio Reel →

从 Hugging Face 下载所有文件

如果您觉得这个 Reel 有帮助,请给此评论点赞!

想探索或为更多论文创建 Reels?请访问 ResearchStudio 演示。

查看翻译
回复
编辑
预览
通过拖拽、粘贴或点击此处上传图片、音频和视频。
评论

· 注册或登录以发表评论

赞成票
43
+31

在您的代理中获取此论文:

hf papers read 2609.23038
没有最新的 CLI?
引用此论文的模型
0

没有链接此论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2609.23038 以从本页面链接它。
引用此论文的数据集
0

没有链接此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2609.23038 以从本页面链接它。
引用此论文的 Spaces
0

本文未链接至任何 Space。

在 README.md 文件中引用 arxiv.org/abs/2609.23038,即可从本页面链接到该论文。

包含此论文的集合

1

Spatial-Interactor

集合

Spatial-Interactor 的模型与数据:通过与可观测的物理世界进行交互来学习空间推理。

•

6 项内容

•

更新于 1 天前

•

2

本条评分 10.9 score-v1
  • 来源权威 9
    注册表 priority=9(HuggingFace Daily Papers)
  • 时效 1.945
    发布 22.5 小时前,衰减到 1.94/3.0
  • 多源印证 0
    只有 1 家在报(无旁证)
  • 社区信号 0
    无社区数据(本管线走 RSS,HN 的 hn_fetcher 未接入)

首次收录 · 2026-09-25 · 10.95 分

原文链接:https://huggingface.co/papers/2609.23038
来源:HuggingFace Daily Papers
以上内容由 AI 自动翻译,仅供参考。
← 返回简报