知识卡片：SpatialASM：将主动心理化内化到空间推理中

一句话结论

SpatialASM 提出一种可扩展的训练框架，通过训练时的空间模拟，让大型视觉语言模型（LVLM）学会像人类一样主动进行“主动空间心理化”（Active Spatial Mentalization, ASM）——即在空间推理中自适应地规划视角并想象新视角下的场景布局，从而在多个空间推理基准上提升性能，同时保留原有通用视觉能力。

事件概述或研究问题

人类在解决复杂空间推理任务时，会自然地从与任务相关的视角重新审视场景，并在脑中重建这些视角下的空间布局。论文提出核心问题：大型视觉语言模型（LVLM）能否以同样的方式主动思考？作者将这种能力定义为“主动空间心理化”（ASM），指出它是视觉智能的内在组成部分，而当前 LVLM 在这方面仍严重欠缺。为弥补这一差距，论文提出 SpatialASM 框架。

方法/产品要点

• 训练时空间模拟：SpatialASM 通过训练阶段的模拟将 ASM 内化到 LVLM 中。
• 异中心新视角生成器（allocentric novel-view generator）：用于将假设视角锚定在视觉证据上。
• 两种互补监督形式：
  1. 显式 ASM 轨迹：教导 LVLM 在空间推理中何时以及如何自适应地调用视角规划与想象。
  2. 自动构建的视角采择任务：进一步强化以视角为条件的场景想象能力。
• 可扩展路径：ASM 轨迹的合成提供了一条可扩展路径，用以缓解空间链式思维（Chain-of-Thought, CoT）监督的稀缺问题。

主要结果或产业意义

• 在七个基准上评估，涵盖从相对感知导向的空间理解，到更具挑战性的多图像、跨视角与视角变换推理任务。
• 在四种 LVLM 骨干上均取得空间推理性能增益，同时保留其原有通用视觉能力。
• 实验结果表明，该方法提升了七个空间基准上的平均准确率。
• 产业意义（待核实具体数值）：若该框架可泛化，有望为具身智能、机器人导航、自动驾驶等需要空间心智模拟的应用提供更可扩展的训练范式。

为什么重要

• 将“主动视角探索 + 心理场景模拟”作为空间推理的核心能力显式建模，而非仅依赖隐式提示跟随。
• 提供可扩展的 ASM 轨迹合成方法，缓解空间 CoT 监督稀缺的问题，对训练数据构建具有方法论价值。
• 与既有面向 3D 布局可验证推理的工作（如 SpatialGuard）不同，本条聚焦于让模型内化“主动心理化”过程本身，而非外部校验闭环。

局限与不确定性

• 论文未在摘要中给出具体性能提升数值（如各基准准确率增量），需查阅正文核实。
• 未说明四种 LVLM 骨干的具体型号与规模，待核实。
• 未说明七个基准的具体名称与任务分布，待核实。
• 未说明“保留原有通用视觉能力”的评估方式与具体指标，待核实。
• 未说明训练数据规模、计算成本与训练时长，待核实。
• 未说明 ASM 轨迹合成的具体实现细节与质量评估，待核实。

可用于图书/PPT/简报的角度

• “让模型学会主动换视角”：从被动感知到主动心理模拟的范式转变。
• 空间推理中的 CoT 监督稀缺问题与可扩展合成路径。
• 人类空间认知（视角重访、心理重建）如何启发 LVLM 训练框架设计。
• 多基准、多骨干的通用性验证思路：性能增益与通用能力保留的权衡。

原始材料

• 标题：SpatialASM: Internalizing Active Mentalization for Spatial Reasoning
• arXiv ID：2610.13832v1
• 作者：Yuhong Liu, Shenxi Wu, Junyi Chi, Beichen Zhang, Xuanlang Dai, Jiaqi Wang, Yuhang Zang, Dahua Lin
• 发布：2026-10-09T16:39:50Z
• 主分类：cs.CV；分类：cs.CV, cs.AI
• Abstract URL：https://arxiv.org/abs/2610.13832v1
• PDF URL：https://arxiv.org/pdf/2610.13832v1