迭代视觉思维：通过视觉反馈教导视觉 - 语言模型进行空间自我修正

视觉语言模型（VLM）虽具备强大的单次空间定位能力，但缺乏观察和修正自身预测的机制。直接 prompting 导致性能崩溃。本文提出迭代视觉思维（IVT）框架，构建“预测 - 观察渲染结果 - 修正”的闭环。通过两阶段训练策略：首先利用教师模型生成无标注的监督数据，其次应用组相对策略优化（GRPO）稳定多步细化过程。实验表明，该方法显著提升了定位精度并减少了逐步退化，证明空间自我修正是可学习的能力。