论文页面 - SpatialCORE：面向大型视觉-语言模型的置信度感知接地式空间推理

来源：https://huggingface.co/papers/2609.38716

摘要

大型视觉-语言模型（Large Vision-Language Models, LVLMs）在各类视觉感知任务上取得了显著进展，但空间推理始终是一项薄弱环节，尤其是在需要对视觉空间进行推理的问题上。近年来的空间推理方法引入了“生成式接地“（generated grounding）机制，即模型在推理过程中为与任务相关的对象预测边界框、掩码或其他定位输出。然而，这些方法通常只优化最终答案的正确性，导致即使模型并未基于置信定位的任务相关对象进行推理，其给出的正确答案仍会获得奖励。我们提出了 SpatialCORE（Spatially COnfident REasoning，置信式空间推理），一个后训练框架，它将模型对自身生成的接地结果的置信度转化为空间推理的学习信号。其核心思想是同时强化准确且高置信的接地，鼓励模型基于置信定位的任务相关对象进行推理。SpatialCORE 通过一种自调节的空间奖励实现这一目标：该奖励以每个预测边界框的坐标 token 置信度对其匹配质量进行加权。一个答案门控（answer gate）机制进一步将接地优化与最终答案的正确性绑定在一起。SpatialCORE 在多种基准测试上取得了开源模型及专用空间推理模型中最优（state-of-the-art）的结果，并能在零样本（zero-shot）设置下有效迁移至未见过的数据分布。源码见：https://github.com/rafiibnsultan/SpatialCORE。

查看 arXiv 页面 (https://arxiv.org/abs/2609.38716)　查看 PDF (https://arxiv.org/pdf/2609.38716)　GitHub 0 (https://github.com/rafiibnsultan/SpatialCORE)　添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2609.38716)

在你的智能体中获取这篇论文：

hf papers read 2609.38716

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

引用此论文的模型 0

暂无模型链接到此论文

在模型的 README.md 中引用 arxiv.org/abs/2609.38716，即可从本页面链接到该模型。

引用此论文的数据集 0

暂无数据集链接到此论文

在数据集的 README.md 中引用 arxiv.org/abs/2609.38716，即可从本页面链接到该数据集。

引用此论文的 Space 0

暂无 Space 链接到此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2609.38716，即可从本页面链接到该 Space。

包含此论文的合集 0

暂无合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection)，即可从本页面链接到该合集。