展开世界：在强化空间推理中因子化4D属性

尽管视觉-语言模型（VLMs）在一般多模态任务中表现出色，但在推理物理世界时，它们本质上仍然是“扁平”的。我们认为这一空间瓶颈源于深刻的维度不匹配：虽然VLMs被训练来解释二维投影，但真正的空间推理要求恢复潜在的三维几何和时间连续性。为了克服这种高维复杂性，我们主张从整体学习转向“分而治之”的范式。我们提出了FactoSR，一个因子化强化学习框架，它明确解释了被视觉投影折叠的维度。在核心上，FactoSR将世界一致性推理的整体问题分解为三个正交的几何子目标：平面对应（XY）、深度一致性（Z）和时间可逆性（T）。通过在统一的策略学习机制中优化这些可验证的约束，我们有效地将一个病态的投影恢复问题转化为一系列可操作的推理步骤。在多视角和视频基准测试上的广泛评估表明，这种优雅的分解在3D和4D推理中产生了显著的增益，在VSI-Bench上实现了5.9%的提升，在All-Angles-Bench上实现了4.5%的提升。我们的研究结果表明，强化显式、因子化的4D一致性是将VLMs演变为健壮的世界感知推理器的关键一步。