ChainSpace：空间智能的链式推理范式

空间智能需要基础模型来在与物理世界的交互中保持一致的空间状态。然而，现有的以数据为中心的方法通常将空间推理视为独立的问答实例，从而实现基于快捷方式的回答并为持久的空间理解提供有限的监督。为了解决这个问题，我们引入了 ChainSpace，这是一种链式推理范式，它将空间推理构建为状态保留的多轮过程。在这种范式中，空间问题被组织成逻辑约束且共同一致的链，其中后面的问题取决于前几轮中建立的空间约束。遵循这一原则，我们实例化了 ChainSpace-Bench（一个具有链感知指标的手动注释的真实世界多轮基准）和 ChainSpace-Pipeline（一个基于模拟器的链式结构监督生成框架，用于空间智能训练）。实验表明，ChainSpace-Bench 暴露了孤立问题准确性无法捕获的链级故障。此外，通过模拟器生成的链式数据量相对较少，ChainSpace-Pipeline 训练的模型在 ChainSpace-Bench 上的开源模型中实现了最佳性能，并有竞争力地转移到多个外部空间智能基准。这些结果将 ChainSpace 确立为一种有效的范式，可以对空间智能进行更忠实的评估和更高效的数据学习。