大模型被确诊「视觉文盲」！多校联合提出MILO，为它植入空间想象力

大模型总是无法理解空间，就像我们难以想象四维世界。

空间推理是人类理解三维世界结构的核心认知能力，也是多模态大语言模型（MLLMs）在实际应用中面临的关键挑战之一。

当前大多数方法采用“语言描述式调优”，即通过文本符号让模型学习空间概念，却从未真正“看见”这些概念在视觉上的表现，导致模型出现“视觉文盲”现象——即无法在生成回答时关注到正确的视觉区域。

如图，基线模型在回答关于“木椅”的问题时，其视觉注意力并未集中在目标区域，而是分散在无关区域。这反映出当前MLLMs在空间语义与视觉感知之间缺乏跨模态对齐，无法像人类那样通过心理想象来支撑空间推理。

MILO：为模型植入“空间想象力”

为解决上述问题，由多高校、机构组成的研究团队提出了MILO（Mplicit spatIaL wOrld modeling），一种隐式空间世界建模范式，通过引入视觉生成反馈，将符号推理与感知经验隐式地结合起来。

1. 从“看到”到“想到”

MILO在传统语言调优的基础上，引入视觉生成调优，形成一个包含两个阶段的训练流程：

• 视觉生成调优阶段：
• 模型接收几何变换指令（如“向右转”），并调用视频扩散模型生成对应的新视角图像，从而学习空间变换在视觉上的表现；
• 语言调优阶段：
• 在视觉生成调优之后，继续使用空间指令数据对模型进行语言层面的微调。

通过这种方式，MILO使MLLMs能够内化几何变换的视觉表现，建立起类人的隐式空间世界模型。

2. 摆脱绝对坐标，学会相对感知

为了进一步增强模型的几何感知能力，团队提出了RePE（Relative Positional Encoding，相对位置编码），一种基于相对相机位姿变换的位置编码方案。

与传统的绝对坐标系编码不同，RePE不依赖于全局坐标系，而是捕捉相邻帧之间的相对变换，从而具备更好的泛化性与跨数据集适应性。

构建几何世界的“教科书”

研究团队构建了GeoGen数据集，一个包含约2,241个视频和26.7万个“观测-动作-结果”三元组的大规模几何感知生成数据集。GeoGen涵盖两类核心任务：

• 新视角合成：
• 根据指令生成相机移动后的新视图；
• 轨迹生成：
• 根据起点和终点生成相机运动路径，要求模型理解场景的整体几何结构。

数据来源包括扫描的3D场景（如ScanNet、ScanNet++）和互联网视频（如RoomTour3D），确保了数据的多样性和真实性。

五大任务全面验证

研究团队在多个基线模型（Video-3D LLM、VG-LLM、RoboRefer）和五大类空间理解任务上验证了MILO的有效性：

• 3D场景理解任务：
• 在ScanRefer、Multi3DRefer、Scan2Cap、ScanQA、SQA3D等基准上，MILO均取得最优性能，尤其在ScanRefer上Acc@0.25提升3.2%；
• 空间推理任务：
• 在VSI-Bench上平均准确率达61.7%，超越基线VG-LLM 2.2%；
• 具身任务：
• 在RefSpatial-Bench的三个子集上全面领先，尤其在未见组合关系任务上提升1.3%。

作者：Meng Cao, Haokun Lin, Haoyuan Li, Haoran Tang, Rongtao Xu, Dong An, Xue Liu, Ian Reid, Xiaodan Liang

单位：Mohamed bin Zayed University of Artificial Intelligence；Sun Yat-sen University; Peking University; Spatial-Temporal AI

论文：http://arxiv.org/pdf/2512.01821

文章来自于“量子位”，作者 “MILO团队”。