arXiv cs.AI· Yuhong Liu, Shenxi Wu, Junyi Chi, Beichen Zhang, Xuanlang Dai, Jiaqi Wang, Yuhang Zang, Dahua Lin·· 6 天前AI 评分26
SpatialASM：让 LVLM 内化主动空间心智化能力以提升空间推理
SpatialASM: Internalizing Active Mentalization for Spatial Reasoning
AI 导读
SpatialASM 是一个通过训练时空间模拟将主动空间心智化（ASM）内化到 LVLM 的可扩展框架，在覆盖感知导向到跨视角推理的七个空间基准上提升了四种 LVLM 骨干的平均准确率，同时保留原有通用视觉能力。
正文 · AI 翻译
摘要：在解决复杂的空间推理任务时，普通人会自然地从与任务相关的视角重新审视场景，并从这些视角在脑海中重建空间布局。但大型视觉语言模型（LVLMs）能否以同样的方式主动思考？我们将这种能力称为主动空间心理化（Active Spatial Mentalization，ASM），它是视觉智能的一个内在组成部分，但在当前的 LVLMs 中仍远未得到充分发展。为弥合这一差距，我们提出了 SpatialASM，一个可扩展的框架，通过训练时的空间模拟将 ASM 内化到 LVLMs 中。SpatialASM 采用一个异中心新视角生成器，将假设性视角建立在视觉证据之上，并产生两种互补形式的监督：i）显式的 ASM 轨迹，教会 LVLMs 在空间推理过程中何时以及如何自适应地调用视角规划与想象；ii）自动构建的视角采择任务，进一步增强以视角为条件的场景想象。在七个基准上——涵盖从相对偏感知的空间理解到需要多图像、跨视角和视角变换推理的更具挑战性的任务——SpatialASM 在四种 LVLM 骨干上提升了空间推理性能，同时保留了它们原有的通用视觉能力。实验结果表明，我们的方法提高了七个空间基准上的平均准确率。而 ASM 轨迹的合成提供了一条可扩展的途径，以缓解空间思维链（CoT）监督的稀缺，从而激发主动视角探索和心理场景模拟。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.13832 [cs.CV] |
| （或 arXiv:2610.13832v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13832 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Yuhong Liu [查看电子邮件]
[v1]
2026年10月9日星期五 16:39:50 UTC（4,122 KB）
来源：arXiv cs.AI · arxiv.org