看见不等于测量：面向视觉语言模型的工具增强型度量空间推理

英文标题：Seeing Is Not Measuring: Tool-Augmented Metric Spatial Reasoning for Vision-Language Models

该论文指出，视觉语言模型（VLM）虽然能够较好地描述场景，但在绝对距离、物理尺寸和以自我为中心的方向等度量级三维结构推理方面表现较弱。作者提出了一种模块化、与预测器无关的工具增强框架，旨在提升模型的度量空间推理能力。该研究对需要让 AI 理解真实世界空间尺度的开发者具有意义，例如机器人、增强现实、具身 Agent 和视觉辅助应用。论文以 arXiv:2609.29073v1 的新论文形式发布。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB