SpatialCLI：先借助空间工具推理，再逐步摆脱工具
原标题:SpatialCLI: Learning to Reason With Spatial Tools, Then Without Them
AI 导读
SpatialCLI提出三阶段框架，让视觉语言模型先调用定位、分割、深度和姿态等专家视觉工具，再通过冷启动SFT、智能体强化学习和轨迹 verbalization 将能力内化。其516例SpatialCLI-Bench覆盖组合式感知；在MindCube上，Qwen3-VL-8B-Instruct借助工具由29.3%升至84.6%，内化后无工具仍达73.8%。
为什么值得读
论文同时量化了工具增强与能力内化的收益，适合现在评估视觉智能体是否能从“会调用”走向“真正掌握”。
深度解读
1. 发生了什么
原始事实： 论文提出SpatialCLI，用三阶段流程训练VLM处理组合式空间感知：Call调用专家视觉模型，Learn通过冷启动SFT与智能体RL提升工具使用，Internalize将成功工具轨迹 verbalize，以内化专家感知能力。
分析： 核心目标是缓解通用VLM缺少视觉细节、专用视觉模型缺少任务级决策能力之间的能力错位。
2. 核心技术
原始事实： SpatialCLI将定位、分割、深度、姿态等专家模型暴露为空间工具。训练过程先允许外部工具补足感知，再学习何时、如何调用，最后从工具使用轨迹中学习无需工具的推理。
分析： 这是一种“工具增强训练到能力蒸馏”的路径；工具不只是推理时插件，也成为生成监督信号和行为轨迹的教师。
3. 关键证据与数字
原始事实： SpatialCLI-Bench包含516个例子，覆盖定位、分割、深度和姿态的组合式感知。在MindCube上，Qwen3-VL-8B-Instruct从无增强时的29.3%提升至使用工具时的84.6%；该结果高于摘要报告的GPT-5.6 Sol工具增强成绩72.1%。内化后，Qwen3-VL-8B-Instruct无工具成绩为73.8%。
分析： 29.3%到84.6%显示工具可显著弥补感知瓶颈；73.8%则表明部分收益可能被参数更新保留下来，但仍低于工具可用时的表现。
4. 为什么重要
分析： 具身智能任务往往要求模型同时完成“看清细节”和“决定下一步”。SpatialCLI提供了一个可检验的训练范式：先把能力拆给专家模块，再观察主模型是否能学习调用策略和内部表征。
未验证推断： 如果该方法能在不同场景、不同工具和更长任务链上稳定迁移，可能降低部署时对高延迟视觉服务的依赖；摘要尚不足以证明这一点。
5. 实际影响
分析： 工程上可将现有定位、分割、深度或姿态模型包装为工具，先支持高精度推理，再利用成功轨迹进行监督训练或策略优化。评估时应同时报告“有工具”和“无工具”成绩，以区分外部增强与真正内化。
原始事实： 摘要明确报告了有工具、内化后无工具以及多个基准成绩，但未给出部署延迟、工具调用次数或成本。
6. 局限与不确定性
原始事实： 提供的信息未包含SpatialCLI-Bench的任务分布、训练集规模、专家模型名称、RL算法配置、消融实验、方差或完整基线协议。
分析： 516个样本足以用于定向评测，但不能单独代表真实具身环境的广泛鲁棒性。MindCube上的提升也可能受到工具接口、数据重叠、提示模板或评测设置影响，需要全文实验细节验证。
未验证推断： 内化能力是否真正来自空间表征，而不是记忆工具轨迹或任务模板，仍需跨数据集、跨工具和分布外测试确认。
7. 原始来源
- arXiv 摘要页
- 来源：hf-papers
- 本条目中的模型名称、基准结果和方法描述均依据用户提供的论文摘要；未补充摘要之外的作者、机构或实验信息。