先手 SENTE · 周报阅读清单 · 速读 · arXiv 2609.07064

SpatialBlock：用「搭积木」题教视觉模型空间推理

SpatialBlock: Enhancing Spatial Intelligence in LVLMs via Synthetic Block-Stacking Problem

Soohyun Ryu，Sohee Kim，Eunho Yang · 2026-09-07

15,000 道合成积木题，比昂贵的真实场景标注更有效

三个要点

问题：视觉语言模型从二维图像重建和推理三维结构的能力（空间智能）仍然有限。现有方法依赖真实场景的空间问答数据，需要密集几何标注，昂贵、耗时，还常因依赖外部感知模块而有噪声。
方法：受儿童认知发展启发，用结构化的积木操作任务学习基础空间技能。SpatialBlock-15k 包含 15,000 道积木堆叠题，覆盖三维到二维投影、视角变换和结构组合，并用受控的颜色变化作为视觉线索，鼓励模型以某个物体为锚点进行推理。训练了直接作答和带推理两个版本。
结果：作者称 4B 模型比其基座提升 25.1%，达到 51.3%，为开源最佳；7B 模型比基座提升 17.6%。尽管数据是合成的、规模也小，训练后的模型能泛化到真实世界空间任务。

25.1% 4B 模型相对其基座的提升

适合谁读：做多模态模型、机器人感知与自动驾驶的团队；关注合成数据公司的投资人。

AI 解读 · 基于原文：本页由 AI 根据论文原文整理，所有数字均可在原文中找到出处；引用前请核对原文。