arXiv cs.AI· Weilin Ruan, Bohan Zhou, Jinghao Li, Yangkai Wei, Wenqian Li, Peiran Dong, Yingjie Xu, Leyi Wu, Haojian Huang, Binghui Xie, Han Yang, Kaiwen Zhou, Yinchuan Li, Ying-Cong Chen, James Cheng·· 2 天前AI 评分29
Anvil：通过知识再循环扩展具身空间智能
Anvil: Scaling Embodied Spatial Intelligence through Knowledge Recirculation
AI 导读
研究团队提出 Anvil 统一框架，用于具身空间智能的数据生成、训练与评测，包含数据飞轮 Anvil-Gen、场景对齐监督 Anvil-Ben 和 9B 蒸馏学生模型 Anvil-MOPD。
正文 · AI 翻译
作者：Weilin Ruan、Bohan Zhou、Jinghao Li、Yangkai Wei、Wenqian Li、Peiran Dong、Yingjie Xu、Leyi Wu、Haojian Huang、Binghui Xie、Han Yang、Kaiwen Zhou、Yinchuan Li、Ying-Cong Chen、James Cheng
摘要：具身空间智能需要的不仅仅是视觉识别：模型必须定位实体、推理其关系，并以与行动相关的形式表达这些知识。然而，由于监督信号分散在互不兼容的几何与语义输出中，联合训练可能会混淆不同阶段所需的知识。我们提出 Anvil，一个用于具身空间智能的数据生成、训练与基准测试的统一框架。（1）Anvil-Gen 是一个异构数据飞轮，在 11 种 Ground--Relation--Act 形式中结合了特定形式的生成、跨阶段一致性验证和失败驱动的重新收集。（2）Anvil-Ben 提供场景对齐的监督，用于学习多样化的具身空间能力，并提供场景关联的评估，以区分阶段能力与错误传播。（3）Anvil-MOPD 是一个 9B 学生模型，通过从专家教师蒸馏来整合异构空间知识。语义优先故障路由将教师监督定向到学生最早的决定性失败，而阶段归一化控制不同长度原生输出之间的损失尺度。我们构建了 580 万条基于来源的记录，涵盖 16 万张图像，保留 58 万条空间记录用于留出评估，并使用其余 522 万条记录进行训练。在七个公开基准上平均而言，Anvil-MOPD 分别比 Qwen3.5-9B 和 RynnBrain-8B 高出 9.29 和 11.03 个百分点，同时在 VABench-Point 上达到 80.67%。对照研究支持将定向覆盖、选择性迁移和反馈引导修复作为互补的框架组件。
| 评论： | 28 页，7 幅图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21882 [cs.CV] |
| （或 arXiv:2610.21882v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21882 arXiv 通过 DataCite 颁发的 DOI（待注册） |
提交历史
来自：Weilin Ruan [查看邮箱]
[v1]
2026 年 10 月 15 日星期四 13:47:08 UTC（4,294 KB）
来源：arXiv cs.AI · arxiv.org