标签
本文介绍了FactoSR，一个因子化强化学习框架，通过将4D属性分解为正交子目标，增强了视觉-语言模型的空间推理能力，在多视角和视频基准测试中取得了显著的性能提升。
SpatialClaw是一个无需训练的框架，它采用代码作为动作接口，使视觉语言模型能够进行灵活、有状态的空间推理，在多种3D/4D空间推理任务上取得了卓越性能。