IXThinker·2025-03-23 16:20

僅50條數據訓練VLM三維空間推理框架

三維空間理解任務中，讓視覺語言模型生成結構合理、物理一致的場景布局仍是挑戰。西北大學團隊提出基於強化學習的框架MetaSpatial，以少量數據提升模型的空間推理能力。

現有局限

現有模型雖能識別圖像中的物體，甚至給出語義連貫的布局描述，但通常缺乏對三維空間結構的真實建模，難以滿足基本物理約束與功能合理性，例如「將家具合理擺放在房間中」這類任務常出錯。