SpatialAfford：教导紧凑型 VLM 在哪里寻找和在哪里寻找可供性

可供性基础旨在定位交互的功能区域，例如抓握的手柄或按下的按钮，而不是整个对象。这使得它比通用视觉基础更具挑战性，因为目标区域更小、更模糊并且更依赖于任务上下文，特别是对于在具体设置中使用的紧凑视觉语言模型（VLM）而言。最近的序列级监督和强化学习提高了坐标预测质量，但紧凑的自回归 VLM 在坐标生成之前仍然缺乏可靠的可供性感知视觉焦点：该模型可以产生更好的坐标标记，而其跨模式注意力仍然分散且弱锚定于真正的可供性证据。为了解决这个问题，我们提出了 SpatialAfford，这是一个两阶段框架，首先通过空间注意力对齐（SAA）将注意力集中到 真值 可供性区域，然后使用 Spatial-Aware GRPO 细化坐标预测。通过在优化落地位置之前明确教导模型要查看何处，SpatialAfford 将可供性落地从纯粹的输出受限目标转变为基于注意力的空间推理。在 ShareRobot-Bench、ReasonAff 和 PartAfford 中，SpatialAfford 不断改进可供性基础，紧凑的 4B 模型优于更强的 7B+ 基线。