引言：AI空间推理能力迎来质的飞跃
2025年6月，蚂蚁技术研究院联合中科院自动化所、香港中文大学发布全球首个开源空间推理大模型ViLaSR-7B，标志着人工智能在视觉-语言-空间融合推理领域取得里程碑式突破。该模型通过创新的**”Drawing to Reason in Space”（边画边想）范式，在迷宫导航、视频理解等5大基准测试中平均提升18.4%，并在李飞飞团队提出的VSI-Bench基准上达到45.4%**准确率，性能媲美谷歌Gemini-1.5-Pro。这一进展不仅验证了AI具备类人空间认知能力，更为机器人导航、AR/VR等应用提供了底层技术支撑。
一、空间推理：AI迈向通用智能的关键瓶颈
传统视觉语言模型（LVLMs）依赖”视觉转文本”范式，即将图像压缩为文本token后交由大语言模型（LLM）处理。然而，这种转换存在两大缺陷：
- 信息丢失：视觉编码器难以保留时空细节（如物体运动轨迹、遮挡关系）；
- 噪声干扰：视频中的冗余背景信息会误导模型决策。
以迷宫导航为例，传统模型常因方向混淆导致路径规划失败；多视角物体关联任务中，更因缺乏跨帧追踪能力而表现欠佳。这催生了”Thinking with Images“新范式——让AI直接操作图像（如裁剪、标注）进行推理，保留原始空间信息。
二、ViLaSR-7B的核心创新：三阶段训练框架
研究团队提出革命性训练方法，分三步构建空间推理能力：
1. 冷启动训练：建立基础视觉操作能力
- 使用合成数据（如带标注的迷宫、多物体场景）训练模型执行基础绘图操作（边界框绘制、参考线标记）。
- 目标：让模型学会”如何画”以辅助思考，例如通过标注关键区域缩小推理范围。
2. 反思拒绝采样：培养自我修正能力
- 引入强化学习中的拒绝采样机制，筛选出包含”反思行为”（如修改错误标注、调整推理路径）的样本进行重点训练。
- 效果：模型在面对不确定任务时，能主动识别错误并优化策略，例如在视频追踪中修正物体位置偏移。
3. 强化学习优化：平衡效率与准确性
- 设计双奖励函数：
- 结果奖励：确保最终答案正确；
- 格式奖励：限制冗余操作（如过度绘制辅助线）。
- 成果：绘图操作效率提升显著，推理步骤减少30%以上。
三、实验验证：超越人类的空间推理表现
ViLaSR-7B在五大基准测试中全面领先：
| 任务类型 | 基准测试 | 提升幅度 | 对比模型 |
|---|---|---|---|
| 迷宫导航 | Maze | +22.1% | Qwen2.5-VL-7B |
| 静态图像理解 | SpatialEval-Real | +15.3% | GPT-4V |
| 视频空间推理 | VSI-Bench | +12.7% | Gemini-1.5-Pro |
| 多图像推理 | SPAR-Bench | +18.9% | PaLI-X |
| 跨帧追踪 | MMSI-Bench | +25.4% | Florence-2 |
典型案例分析：
- 电话尺寸测量：模型通过识别显示器作为参考物，以比例换算替代直接像素测量，推理逻辑与人类一致。
- 多视角物体追踪：在视频中跨帧标记同一物体位置，建立时空关联网络，准确率提升40%。
四、技术意义与应用前景
- 理论突破：证明多模态大模型可通过交互式绘图实现”具身化”推理，为认知科学提供新研究范式。
- 产业落地：
- 机器人导航：实时构建环境地图并规划路径；
- 虚拟助手：增强AR场景中的物体交互理解；
- 自动驾驶：多摄像头数据融合与动态障碍物预测。
- 开源生态：ViLaSR-7B代码与模型权重已公开，推动社区在空间智能领域的协作创新。
五、挑战与未来方向
尽管ViLaSR-7B表现优异，研究团队指出仍需解决以下问题：
- 实时性优化：绘图操作可能增加延迟，需适配边缘计算设备；
- 复杂物理模拟：如流体、柔性物体交互的推理能力；
- 伦理风险：高精度空间推理可能被滥用（如军事目标识别）。
下一步，团队计划将模型扩展至三维场景理解，并探索与具身智能机器人的深度融合。
结语
ViLaSR-7B的诞生不仅是技术迭代，更预示着AI从”感知世界”迈向”理解并改造世界”的新阶段。当机器学会像人类一样”边画边想”，我们离通用人工智能的梦想又近了一步。