SpatialForge：从开放世界 2D 图像中引导 3D 感知空间推理

大型视觉语言模型（VLM）虽具备卓越的语义理解力，但在深度排序和坐标定位等基础几何任务的空间推理上表现欠佳。现有方法受限于场景中心数据集的规模与多样性。为此，本文提出 SpatialForge，一种可扩展的数据合成流水线，能将野外 2D 图像转化为空间推理监督信号。该方法将空间推理分解为感知与关系，构建涵盖深度、布局及视角依赖推理的结构化监督，并引入自动验证机制。基于此构建了含 1000 万对空间问答的 SpatialForge-10M 数据集。实验表明，该数据显著提升了标准 VLM 的空间推理能力，证实了利用规模化 2D 数据增强 3D 感知推理的有效性。