Actial: Activate Spatial Reasoning Ability of Multimodal Large Language Models

文章总结与翻译一、主要内容本文聚焦多模态大型语言模型（MLLMs）在空间推理能力上的不足，尤其是在捕捉跨视角一致性这一3D推理关键需求上的短板，提出了一套以“视角学习（Viewpoint Learning）”为核心的解决方案，旨在激活MLLMs的空间推理能力。核心问题：现有MLLMs主要基于2D连续性数据训练，难以理解3D一致性（即物体在空间中的稳定几何关系和空间关联），导致在复杂3D推理任务中表现不佳。关键数据集：构建了Viewpoint-100K数据集，包含10万组以物体为中心的真实世界图像对（视角差异20-100度）及对应的问答对，涵盖以相机为中心和以物体为中心的平移、旋转类问题。两阶段微调策略：第一阶段（基础知识注入）：基于Viewpoint-100K数据集进行监督微调（SFT），结合混合冷启动初始化（融合思维链模板与伪思维链），让模型学习视角表示并保持连贯推理能力；第二阶段（泛化能力增强）：在SAT空间推理数据集上采用分组相对策略优化（GRPO）算法进行强化学习（RL），将基础视角知识迁移到复杂空间推理任务。实验结果：该方法（命名为Actial）在3DSRBench、CV-Bench、BLINK等多个基准测试中显著优于基线模型，在域内和域外任务中均实现性能提升，验证了视角学习对激活空间推理能力的有效性。