发生了什么：10月13日，研究者在arXiv提交论文GeoReader，讨论视觉语言模型在距离、视角和多视图关系上的空间推理不足。论文认为，模型能够从图像中提取几何特征，并不代表它会在回答问题时真正使用这些信息。论文原文
方法变化：GeoReader采用两阶段流程。第一阶段训练轻量级“几何读取器”，把每个视角的几何信号转换为视觉语言模型能够理解的连续输入标记，并以冻结模型生成的几何描述作为监督；第二阶段冻结读取器，再训练视觉语言模型处理空间问答，同时根据图像和问题动态调整不同几何信号的作用强度。推理时不要求模型先生成几何文字说明，而是直接利用几何标记回答问题。
实验结果：论文报告称，在几何信息由RGB图像预测的条件下，GeoReader结合Qwen3-VL-4B，在MindCube-Tiny上达到94.3%的准确率；结合多来源问答训练后，使用Qwen3.5-9B在另外六个空间推理基准上的平均准确率为72.5%。在一项受控实验中，移除几何内容后准确率由89.2%降至77.2%，跨视角打乱姿态后进一步降至63.1%，作者据此认为模型的回答确实依赖几何信息，而不只是依赖问答微调。
可能影响：这项工作的重点不在于增加一个更大的视觉编码器，而在于解决“几何表示能否被接收模型读懂并实际调用”的接口问题。对具身智能、三维场景理解和多视图问答而言，几何模块与语言模型之间的可读性可能和几何预测精度同样重要。不过，当前材料是研究者提交的arXiv预印本，结果主要来自论文所列基准，尚不能直接等同于真实环境中的泛化能力或产品性能。
需要注意：论文还显示，几何信息带来的提升主要集中在需要度量和三维关系理解的问题上，对其他类型问题的改善有限。因此，GeoReader更适合被看作一种连接几何感知与视觉语言推理的训练框架，而不是已经解决通用空间智能的完整方案。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
