4DThinker：利用 4D 图像进行动态空间理解

单目视频的动态空间推理是连接视觉智能与物理世界的关键，但对视觉语言模型极具挑战。现有方法要么将时空推理完全文本化导致冗长不精确，要么依赖外部几何模块增加复杂度。本文提出 4DThinker，首个让模型通过动态潜在心理意象“用 4D 思考”的框架，即在连续隐藏空间内模拟场景演化。我们引入了无需标注的数据生成流水线，并提出动态意象微调（DIFT）联合监督文本与 4D 潜变量。此外，基于结果的 4D 强化学习（4DRL）进一步优化复杂推理任务。实验表明该方法在多个基准上显著优于现有基线。