HiSpatial：驾驭视觉 - 语言模型中的分层 3D 空间理解

本文提出一种原则性分层框架，将视觉 - 语言模型（VLM）的 3D 空间理解学习分解为从几何感知到抽象空间推理的四个渐进层级。基于该框架，我们构建了自动化流水线，处理约 500 万张图像及超 4500 万个物体，生成多样化的 3D 空间问答对用于监督微调。此外，我们开发了融入度量尺度点图的 RGB-D VLM 以增强空间理解。实验表明，该方法在多个空间理解与推理基准上达到最先进水平，超越了专用模型及 Gemini-2.5-pro 等 proprietary 系统。