RieMind：基于几何落地的场景理解空间智能体

视觉语言模型在室内场景理解中表现优异，但在度量与空间推理方面仍存不足。现有方法多依赖端到端视频理解或大规模微调，导致感知与推理耦合。本文提出一种代理框架，将大语言模型 grounded 于显式 3D 场景图（3DSG）中，通过专用感知模块构建持久化场景表示。智能体仅通过结构化几何工具交互，获取物体尺寸、距离及空间关系等属性。实验表明，在理想感知条件下，该方法的空间推理性能上限显著优于前人工作（最高提升 16%），且无需特定任务微调。相比基础 VLM，该代理变体平均性能提升 33% 至 50%，证明显式几何 grounding 能大幅增强空间推理能力。