**Spatial-Interactor：让视觉语言模型通过交互学习空间推理**

_Spatial-Interactor: Learning Spatial Reasoning through Interaction with the Observable Physical World_

> 针对现有视觉语言模型（VLM）难以感知物体运动与视角变化带来的局部状态转移、并在长轨迹上维持更新空间状态的问题，研究者提出 Spatial-Interactor 框架，用交互轨迹直接监督物理世界状态转移建模。该方法设计三级课程：L1 被动世界状态转移、L2 主动自身状态转移、L3 长时程交互轨迹，并据此从仿真与真实交互轨迹构建 LSI-108K 数据集。训练采用两阶段策略：先对 L1/L2 做监督微调以建模局部转移，再用在线策略蒸馏（OPD）进行特权自蒸馏——由带片段级转移描述的教师分支监督学生的在线思维链，从而学会在 L3 长轨迹上整合连续转移。多款 VLM 与空间基准实验显示，其在局部转移建模与长时程整合上均获稳定提升。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-24 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.23038)