论文页 - ConsiSpace: 学习几何一致性对视频空间推理至关重要

来源：https://huggingface.co/papers/2607.17599

摘要

视频空间推理对于面向导航的感知和长视频问答至关重要，模型需在变化视角下跨长程推断空间关系。然而，现有大规模多模态语言模型（MLLMs）仍以语义为中心，通常无法从冗余的视频观测中可靠地聚合一致的空间证据，导致推理低效或不稳定。为解决这些问题，我们提出ConsiSpace，一个几何一致性感知框架，用于几何敏感的视频空间推理，将空间一致性同时转化为证据组织原则和显式的后SFT学习信号。我们构建了一个几何一致记忆（GCM），包含隐式证据标记和显式几何线索，并利用高效的组织策略紧凑保留任务相关的空间证据。此外，我们在监督微调后采用统一一致性自监督强化学习（UC-SSRL），通过答案、度量和拓扑一致性奖励来提升跨视角稳定性。在三个空间推理基准（VSI-Bench、OSI-Bench和MMSI-Video-Bench）上的大量实验显示出一致性的提升，在最强基线基础上平均得分提高12.6个百分点。

查看arXiv页面 (https://arxiv.org/abs/2607.17599)查看PDF (https://arxiv.org/pdf/2607.17599)项目页面 (https://believeht029.github.io/ConsiSpace/)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.17599)

在您的智能体中获取本文：

hf papers read 2607.17599

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型0

没有模型链接本文

在模型 README.md 中引用 arxiv.org/abs/2607.17599 即可从此页面链接。

引用本文的数据集0

没有数据集链接本文

在数据集 README.md 中引用 arxiv.org/abs/2607.17599 即可从此页面链接。

引用本文的Space0

没有Space链接本文

在Space README.md 中引用 arxiv.org/abs/2607.17599 即可从此页面链接。

包含本文的收藏集0

没有收藏集包含本文

将本文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接。