**SpatialCLI：让视觉语言模型学会使用空间工具并最终内化其能力**

_SpatialCLI: Learning to Reason With Spatial Tools, Then Without Them_

> SpatialCLI 框架通过三个阶段（调用、学习、内化）教导 VLMs 使用专业视觉模型作为空间工具，并在内化后无需工具即可保持高性能。在 MindCube 基准上，Qwen3-VL-8B-Instruct 在使用工具时准确率从 29.3% 提升至 84.6%，超越 GPT-5.6 Sol；内化后无需工具仍保留 73.8% 的性能。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-31 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.27703)