Unfold The World：分解4D属性以增强空间推理
该研究提出FactoSR，一种用于提升视觉语言模型空间推理能力的强化学习框架。该方法将从二维视觉投影中恢复物理世界结构的问题，拆分为三个可验证目标：平面对应关系（XY）、深度一致性（Z）和时间可逆性（T）。在多视角和视频基准测试中，FactoSR在VSI-Bench上提升5.9%，在All-Angles-Bench上提升4.5%。研究结果表明，显式强化分解式三维与四维一致性，可能改善视觉语言模型对几何结构、深度及时间变化的推理能力。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。