EgoMind：通过 MLLM 中的语言推理激活空间认知

多模态 大语言模型 (MLLM) 越来越多地应用于空间认知任务，人们期望它们能够理解复杂的环境并与之交互。大多数现有工作通过引入 3D 先验或几何监督来改进空间推理，这提高了性能，但会产生大量的数据准备和对齐成本。相比之下，纯 2D 方法由于捕获跨帧空间关系的能力有限，常常难以进行多帧空间推理。为了解决这些限制，我们提出了 EgoMind，这是一个思想链框架，它通过角色扮演式描述实现无几何空间推理，联合构建跨帧的连贯语言场景图，以及渐进式空间分析，逐步推理特定于任务的问题。仅用 5K 自动生成的 SFT 样本和 20K RL 样本，EgoMind 在 VSI-Bench、SPAR-Bench、SITE-Bench 和 SPBench 上取得了有竞争力的结果，证明了其在增强 MLLM 空间推理能力方面的有效性，并凸显了语言推理在空间认知方面的潜力。代码和数据发布于 https://github.com/Hyggge/EgoMind。