复杂空间推理新SOTA，性能提升55%，中山大学新作SpatialDreamer

【导读】中山大学等机构推出SpatialDreamer，通过主动心理想象和空间推理，显著提升了复杂空间任务的性能。模拟人类主动探索、想象和推理的过 程，解决了现有模型在视角变换等任务中的局限，为人工智能的空间智能发展开辟了新路径。 论文链接: https://arxiv.org/pdf/2512.07733 尽管多模态大语言模型（MLLMs）在场景理解方面取得了显著进展，但在需要心理模拟的复杂空间推理任务上表现仍然有限。 现有方法多依赖于对空间数据的被动观察，缺乏人类在空间认知中特有的主动想象与动态更新内部表征的能力。 例如，在需要变换视角以判断遮挡物体位置的任务中，现有模型往往因视角单一而推理失败。 为此，来自MBZUAI与中山大学的研究团队提出了SpatialDreamer，一个基于强化学习的框架，旨在通过主动探索、视觉想象与证据融合的闭环过程，赋 予MLLMs类人的空间心理模拟能力。 SpatialDreamer模拟人类的空间认知过程，构建了一个包含以下三个步骤的闭环推理流程： 1) 探索：模型根据当前场景推理出最优的自我中心动作（如「前进0.75米」或「左转45度」）； 2) 想象：调用世界模型（如S ...