在解决复杂的空间推理任务时，普通人会自然地从与任务相关的视角重新审视场景，并在脑海中重建这些视角下的空间布局。但大型视觉语言模型（LVLM）能否主动以同样的方式思考？我们将这种能力称为主动空间心智化（Active Spatial Mentalization，ASM），它是视觉智能的内在组成部分，但在当前的 LVLM 中仍远未得到充分发展。为弥合这一差距，我们提出了 SpatialASM，这是一个可扩展框架，通过训练阶段的空间模拟，将 ASM 内化到 LVLM 中。SpatialASM 使用以环境为中心的新视角生成器，为假设视角提供视觉证据支撑，并生成两种互补的监督形式：i）显式 ASM 轨迹，教会 LVLM 在空间推理过程中何时以及如何自适应地调用视角规划与想象；ii）自动构建的视角采择任务，进一步增强以视角为条件的场景想象能力。在七个基准测试中，SpatialASM 提升了基于四种骨干架构的 LVLM 的空间推理性能，同时保留了它们原有的通用视觉能力。这些基准涵盖了从相对偏重感知的空间理解，到需要多图像、跨视角及视角变换推理的更具挑战性的任务。实验结果表明，我们的方法提高了七个空间基准上的平均准确率。此外，ASM 轨迹的合成为缓解空间思维链（Chain-of-Thought，CoT）监督数据的稀缺提供了一条可扩展的途径，从而激发主动视角探索和心智场景模拟能力。