Spatial-Interactor：透過物理世界互動學習空間推理
為何重要
這項研究將 VLM 的能力從「觀察」推向「互動」，解決了 Agent 在動態物理環境中維護狀態的關鍵技術難題。若模型能精準理解動態變化，將直接提升雲端無人商店 Agent 或具體行動機器人的決策精確度。 雖然通用性強，但理論突破為未來具體應用提供了高品質的底層推論依據，值得產學界與技術決策者追蹤。
視覺語言模型在日常動態環境中的空間推理能力往往不足，新研究提出框架透過與物理世界的互動來強化這項能力。
- 建構了名為「LSI-108K」的資料集，由模擬與真實的互動軌跡組成，涵蓋 L1 到 L3 三層課程。
- 採用兩階段訓練策略：先以 Supervised Fine-Tuning (SFT) 處理 L1 與 L2 的本地狀態轉換；再利用 On-Policy Distillation (OPD) 讓學生模型學習 L3 長期軌跡中的連續轉換。
- 實驗顯示，引入受託監督的 Self-Distillation 能有效提升 VLMs 在狀態建模與長期整合上的表現。