SpatialSpeak 用 QA 式重建预训练把空间思维链增益从 2.6 分提到 6.9 分,ReVSI 达 62.8 分
该工作提出 SpatialSpeak 两阶段框架:第一阶段以问答形式联合训练局部标记点 3D 坐标与全局物体中心重建(QA-RP),第二阶段用带视觉补偿的空间思维链(CoT-VC)监督模型表达并运用几何估计,在 ReVSI 上把 CoT-VC 带来的增益从 2.6 分提升到 6.9 分,并以 4B 参数在 ReVSI(62.8)、VSI-Bench(73.0)和 SPAR-Bench(76.0)上取得所比较方法中的最好结果。