Spatial-Interactor：通过与可观测物理世界交互学习空间推理

空间推理对视觉-语言模型（VLM）理解物理世界并在其中行动至关重要。在动态环境中推理要求 VLM 感知由物体运动和视角变化引起的局部状态转移，并在长轨迹上整合它们以维持最新的空间状态，而现有 VLM 在这两方面都能力有限。当前的空间训练主要关注关于物体属性和空间关系的静态问题，对状态转移提供的直接监督有限；相比之下，交互轨迹自然地把前一观测、一个动作和后续观测连接起来，为局部状态转移提供直接监督，而完整轨迹则揭示相邻转移之间的依赖。因此我们提出 Spatial-Interactor，一个训练 VLM 通过交互建模物理世界状态转移的框架，将学习过程组织为三级课程：L1 被动世界状态转移、L2 主动自我状态转移和 L3 长程交互轨迹。相应地，我们从模拟和真实交互轨迹构建了 Learning from Spatial Interaction 数据集（LSI-108K），任务与各级目标对齐。两阶段训练策略先用监督微调（SFT）训练 L1 和 L2 的局部转移建模，随后在线策略蒸馏（OPD）采用特权自蒸馏：获得片段级转移描述的教师分支监督学生的在线策略 CoT，帮助学生学会在 L3 长轨迹上整合连续转移。在多个 VLM 和空间基准上的实验显示，局部转移建模和长程整合均获得一致提升。