浙大 - Spatial-Interactor：通过物理交互学习空间推理 AI如何建立物理世界的时空感

Spatial-Interactor 的创新视觉语言模型（VLM）框架，旨在通过与物理世界的交互来增强模型的空间推理能力。为了解决现有模型在长序列环境和动态状态变化中容易迷失的问题，研究团队设计了一个涵盖被动世界状态、主动自我状态及长视野交互轨迹的三阶段渐进课程，并构建了包含108K条验证性问答对的 LSI-108K数据集。该方法通过两阶段训练策略，结合监督微调与 策略上蒸馏（OPD），有效提升了模型在局部状态建模和长视野轨迹整合方面的表现。多项基准测试结果表明，该框架在显著改善视觉语言模型的空间推理能力方面具有广泛的通用性和出色的性能。