摘要
针对现有视觉语言模型（VLM）在 3D 室内场景生成中采用“一次性”规划导致的编辑困难及布局不合理问题，本文提出 ThinkBLOX 框架。该方法将布局生成视为状态条件的逐步推理与行动过程。通过构建包含显式思维链（CoT）理由的大规模数据集进行监督微调，并引入分层解耦 GDPO 强化学习策略以平衡物理有效性与语义合理性。实验表明，该方法在物理逼真度、语义对齐及交互可编辑性上显著优于现有基线。
AI 推荐理由
论文提出基于渐进式推理的框架，核心利用思维链解决场景生成问题。
研究机构
中国香港大学计算机科学系
论文信息