论文概览 - ChronoReplay：单一答案接口不足以支撑流式空间智能

来源：https://huggingface.co/papers/2610.34283

ChronoReplay 是一个训练框架，旨在提升流式视觉-语言模型（VLMs）的空间推理能力。

现有的空间 VLM 通常专精于特定的答案格式，例如分类空间关系、度量距离或运动轨迹。我们将这种专精现象称为“接口锁定“（interface lock-in），它限制了模型在不同空间推理任务之间的泛化能力。

为应对这一挑战，ChronoReplay 将异构的空间监督信号组织为按时间顺序排列的交互片段（episodes），保留各任务特定的答案格式，并在不同监督家族之间保持学习平衡。这使得单一模型能够学习互补的空间能力，同时维持时序一致性。

核心亮点：

• 统一的空间学习：在单一模型中同时支持分类式、度量式和轨迹式空间推理。
• 时序回放：通过将训练样本组织为有序的交互片段，保留时间依赖关系。
• 家族均衡训练：通过对异构监督信号进行平衡，提升跨任务泛化能力。
• 强劲的基准表现：在 OVO-S-Bench、OST-Bench 和 UCS-Bench 上均取得持续提升，其中在 OST-Bench 上提升了 13.41 个点。
• 高效流式推理：自适应帧选择在降低视觉处理开销的同时进一步提升了性能。

ChronoReplay 证明了，有效的流式空间智能需要在不同任务间保留互补的空间信息，从时序结构化的经验中学习，并在推理时选择相关的视觉证据。