视角转换是空间智能的一个基本组成部分，要求模型从指定的视角解释空间关系，例如另一个实体或想象观察者的视角。尽管视觉语言模型（VLMs）的空间推理能力日益增强，但它们在视角转换方面仍然存在困难，当查询需要从不同视角进行推理时，往往默认使用摄像机视角。我们引入了用于视角转换的学习参考坐标系（LeRF），这是一个框架，训练VLMs构建和使用显式参考坐标系进行视角依赖推理。给定一张图像和一个查询，LeRF决定是否需要坐标系。如果是，它定位参考实体，并预测坐标系的原点和以实体为中心的参考坐标系。一个轻量级渲染器将坐标系叠加到图像上，使得后续可以在这些视觉线索上进行推理，而无需外部感知模型或显式3D重建。为了学习这个过程，我们首先进行监督微调，以教导选择性工具调用和参考坐标系预测，然后在空间视觉问答对上进行强化学习，以改善坐标系引导的推理。在各种视角转换基准测试中，LeRF在其骨干网络上持续改进，并与现有开源方法相比表现出色。进一步的评估还显示了参考坐标系定位和方向估计的改善，支持了学习到的参考坐标系在视角依赖推理中的有效性。