SpatialASM：用训练内化主动空间想象，提升LVLM空间推理

一句话看懂：Hugging Face Papers 收录的论文提出 SpatialASM 框架，通过训练时空间模拟，把主动空间想象能力内化到大视觉语言模型中，以改善多视角空间推理。

事件核心：发生了什么

2026年10月9日，Hugging Face Papers 收录了一篇题为《SpatialASM: Internalizing Active Mentalization for Spatial Reasoning》的论文摘要。作者将“主动空间想象”（Active Spatial Mentalization, ASM）定义为一种视觉智能能力：普通人在复杂空间任务中，会从与任务相关的视角重新观察场景，并在脑中重建空间布局。

论文提出 SpatialASM，一个可扩展的框架，通过训练时空间模拟把 ASM 内化进大视觉语言模型（LVLM）。其中包含一个“异我中心新视角生成器”，用于把假设视角锚定到视觉证据上，并生成两类监督信号：一是显式的 ASM 轨迹，用来教模型在空间推理中何时、如何调用视角规划与想象；二是自动构建的换位思考任务，进一步强化以视角为条件的场景想象。摘要称，在覆盖感知导向空间理解到多图、跨视角、视角变换推理的七个基准上，SpatialASM 在四个 LVLM 骨干上均带来空间推理性能提升，同时保留原有通用视觉能力。

为什么重要

目前公开信息显示，现有 LVLM 在复杂空间推理上仍偏弱，常见问题是只能基于输入图像做静态判断，不会主动“换视角”重新组织场景。SpatialASM 的价值在于把这种主动想象变成训练目标，而不是依赖手工提示或额外工具链。它尝试用合成 ASM 轨迹来缓解空间思维链监督数据稀缺的问题，这条路径如果可复现，对多模态大模型从“看懂”走向“在脑中建模”有参考意义。不过，论文摘要不等于已上线产品或完整实验结论，实际效果仍需看全文与后续复现。

对用户/开发者/创作者的影响

对开发者而言，这类方法意味着未来多模态 API 可能更擅长处理需要跨视角推理的任务，例如机器人导航、3D 场景问答、多图对比和空间规划。如果框架开源或可复现，团队可在自有 LVLM 上做训练微调，而不必只依赖闭源模型。对普通用户和创作者，短期更直接的影响可能体现在 AI 应用对“从另一个角度看画面”类指令的理解上，但当前仅停留在论文摘要阶段，尚无产品价格或功能变化可确认。