arXiv cs.AI· Uttamasha Monjoree, Wei Yan·· 10 天前AI 评分31
微调 VLM 提升 AI 空间智能：理解 3D 与 2D 旋转
Fine-Tuning VLM for Enhancing AI's Spatial Intelligence: Understanding 3D and 2D Rotations
AI 导读
研究通过微调 Google DeepMind 的 Gemma-4 MoE 模型提升视觉语言模型的 2D 与 3D 旋转检测能力，微调后的 MoE 模型在按轴和角度预测旋转上显著优于同系列通用模型。微调还大幅改善了无需显式坐标系的 2D 角度估计，且可识别物体并未提升角度检测精度，具有突出线性特征的物体反而表现更好。
正文 · AI 翻译
摘要：空间智能是科学、技术、工程和数学（STEM）、医学、建筑与建造等多个领域的一项基本技能。近期研究表明，视觉语言模型（VLM）在空间推理方面仍存在局限，这阻碍了人工智能（AI）执行实际的空间任务。利用为训练和评估而开发的多个物体旋转数据集，我们的实验在 2D 和 3D 旋转检测方面均展现出有前景的改进。经过微调的 Google DeepMind 构建的 Gemma-4 混合专家（MoE）模型在预测由其轴和角度定义的旋转方面，显著优于经过微调的 Gemma-4 通用模型。微调还大幅提升了 2D 表示的角度估计，且无需显式坐标系。此外，可识别的物体并未提高角度检测的准确率；相反，具有显著线性特征的物体表现出更好的性能。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.04206 [cs.AI] |
| （或 arXiv:2610.04206v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.04206 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Uttamasha Monjoree [查看电子邮件]
[v1]
2026年10月3日星期六 01:44:27 UTC（1,497 KB）
[v2]
2026年10月6日星期二 02:46:30 UTC（936 KB）
来源：arXiv cs.AI · arxiv.org