當AI在測量手機尺寸時，不是依賴像素計算，而是主動尋找顯示器作為參考物進行比例換算；面對迷宮導航任務(wù)，它像人類一樣在圖像上繪制輔助線和標記框，動態(tài)追蹤空間關(guān)系。這是螞蟻技術(shù)研究院聯(lián)合中科院自動化所、香港中文大學開源的ViLaSR-7B模型展現(xiàn)的類人空間推理能力。
?

?

這項突破標志著大模型首次跨越了抽象語義理解與具象空間認知的鴻溝，在五大空間推理基準上實現(xiàn)性能躍升，與谷歌Gemini-1.5 Pro旗鼓相當。
?
長久以來，傳統(tǒng)視覺語言模型（LVLM）受困于“視覺轉(zhuǎn)文本”的推理范式：將圖像壓縮為token序列后交由語言模型處理，導致空間信息在編碼階段大量丟失。當處理迷宮方向判斷或多視角物體關(guān)聯(lián)任務(wù)時，模型常因混淆空間關(guān)系而失敗。
?
OpenAI今年4月發(fā)布的o3/o4-mini模型雖通過“Thinking with Images”范式（主動裁剪/旋轉(zhuǎn)圖像輔助推理）取得進展，但其閉源特性限制了生態(tài)發(fā)展。
?
ViLaSR-7B的創(chuàng)新在于提出“Drawing to Reason in Space”（空間繪圖推理）機制，讓模型在推理過程中動態(tài)繪制邊界框、參考線和跨幀標記，引導視覺編碼器聚焦關(guān)鍵空間特征。這種邊看邊畫、邊畫邊想的交互模式，模擬了人類解決空間問題時用草圖輔助思考的本能行為，顯著提升了時空信息的保留效率。
?
實現(xiàn)這一突破的核心是三階段訓練框架的系統(tǒng)化培養(yǎng)方案：

• 冷啟動訓練利用合成數(shù)據(jù)教會模型基礎(chǔ)繪圖操作（如標注邊界框），建立視覺空間認知的“肌肉記憶”；
• 反思拒絕采樣階段引入自我修正機制——模型生成多條推理路徑后，篩選出主動修改錯誤標注的高質(zhì)量樣本進行強化訓練，培養(yǎng)“發(fā)現(xiàn)并修正誤判”的反思能力；
• 強化學習階段則通過雙獎勵函數(shù)（結(jié)果準確性+邏輯合理性）優(yōu)化操作效率，避免冗余繪圖。消融實驗證明，移除反思機制會使模型推理步驟減少23%，而缺乏強化學習將導致繪圖操作激增。
  ?
  這一進展恰逢空間智能研究的關(guān)鍵爆發(fā)期。李飛飛、謝賽寧團隊去年末發(fā)布的VSI-Bench基準（涵蓋288個真實場景視頻、5000+問答對）首次量化了AI的空間認知缺陷：在物體相對方向、距離估計等任務(wù)中，15個主流MLLM的**錯誤率高達71%源于空間推理短板，而非視覺識別或語言理解。
  ?
  更值得注意的是，研究揭示大模型在空間記憶時僅形成碎片化的局部世界模型而非統(tǒng)一全局認知，且傳統(tǒng)語言提示技術(shù)（如思維鏈CoT）反而損害其空間表現(xiàn)——這與語義推理任務(wù)形成鮮明對比。上海交大團隊今年5月推出的SpatialScore評測體系進一步整合11項數(shù)據(jù)集，證明當前模型在深度估計、相機運動分析等幾何感知任務(wù)中仍舉步維艱。
  ?
  ViLaSR-7B的突破不僅是技術(shù)里程碑，更是AI理解物理世界的臨界點。當模型能主動構(gòu)建空間心智表征，機器人導航、AR交互、工業(yè)檢測等場景將迎來質(zhì)變。隨著“繪圖推理”范式與VSI-Bench等評估工具的雙輪驅(qū)動，AI終于開始用人類的視角丈量世界——從識別物體到理解空間，這場感知革命才剛剛開始。