ConsiSpace：学习几何一致性对视频空间推理至关重要

视频空间推理对于导航感知及长视频问答至关重要，要求模型在视角变化下推断长程空间关系。然而，现有多模态大语言模型偏重语义，难以从冗余观测中聚合一致的空间证据，导致推理低效或不稳。为此，本文提出 ConsiSpace，一种几何一致性感知框架，将空间一致性转化为证据组织原则及显式后监督微调学习信号。该框架构建包含隐式证据令牌与显式几何线索的几何一致记忆，并利用统一一致性自监督强化学习提升跨视图稳定性。实验表明，该方法在三个基准测试中平均得分提升 12.6 分。