World2VLM：将世界模型想象力蒸馏至视觉语言模型以实现动态空间推理

视觉语言模型（VLM）在静态视觉理解上表现优异，但在涉及自我运动下场景演化的动态空间推理方面仍显不足。现有方法要么缺乏对运动条件状态转移的显式建模，要么在推理时耦合世界模型导致计算开销巨大。本文提出 World2VLM 框架，将生成式世界模型的空间想象力蒸馏至 VLM 中。利用视角一致的世界模型合成几何对齐的未来视图，为正向和逆向空间推理提供结构化监督。实验表明，该方法在多个基准测试中显著优于基线及推理时耦合方法，证明了世界模型作为训练期教师的有效性。