# SpatialSpeak: Tối ưu hóa suy luận không gian thông qua tái dựng bối cảnh cục bộ và toàn cục

- Nguồn: Hugging Face Daily Papers
- Thời gian phát hành: 2026-09-29 07:00 (giờ Việt Nam)
- Điểm AI: 85/100
- Link AIHOT.vn: https://aihot.vn/items/592bf3955d46259a
- Link gốc: https://arxiv.org/abs/2609.33616

## Tóm tắt AI

SpatialSpeak là khung làm việc hai giai đoạn giúp mô hình thị giác-ngôn ngữ cải thiện khả năng suy luận không gian bằng cách kết hợp tiền huấn luyện tái dựng hình học với chuỗi suy luận (CoT) dựa trên câu hỏi.

## Thân bài

[Xem PDF](https://arxiv.org/pdf/2609.33616) [HTML (thử nghiệm)](https://arxiv.org/html/2609.33616v1)

> Tóm tắt: Các mô hình thị giác-ngôn ngữ (VLM) có thể tận dụng các tiên nghiệm hình học để lập luận không gian đa góc nhìn, tuy nhiên việc huấn luyện chỉ dựa trên câu trả lời không giám sát trực tiếp các ước tính hình học trung gian và cách sử dụng chúng để đưa ra các câu trả lời không gian định lượng. Chúng tôi giả định rằng sự giám sát theo chuỗi tư duy (CoT) không gian sẽ trở nên hiệu quả hơn khi VLM trước tiên học kết hợp hình học cục bộ bổ trợ và bối cảnh cảnh quan toàn cục thông qua tái tạo đa góc nhìn. Chúng tôi giới thiệu SpatialSpeak, một khung làm việc hai giai đoạn kết nối việc tiền huấn luyện tái tạo gốc QA với học tập CoT không gian. Trong Giai đoạn I, Tiền huấn luyện Tái tạo gốc QA (QA-RP) kết hợp các truy vấn 3D điểm đánh dấu cho hình học cục bộ chi tiết với các truy vấn tâm đối tượng cho bối cảnh cảnh quan toàn cục trên các góc nhìn. Cả hai tác vụ đều được xây dựng dưới dạng trả lời câu hỏi dựa trên văn bản, cho phép ước tính hình học và lập luận sau đó chia sẻ cùng một giao diện đầu ra tự hồi quy. Trong Giai đoạn II, CoT không gian với Bù trừ Thị giác (CoT-VC) huấn luyện mô hình thể hiện các ước tính hình học liên quan đến câu hỏi và sử dụng chúng để đưa ra câu trả lời, với đánh giá độ tin cậy và bù trừ thị giác hỗ trợ tinh chỉnh câu trả lời khi cần. Trên ReVSI, QA-RP làm tăng mức cải thiện từ CoT-VC từ 2,6 lên 6,9 điểm, và các thử nghiệm cắt bỏ cho thấy cả sự giám sát tái tạo cục bộ và toàn cục đều mang lại lợi ích. SpatialSpeak đạt được kết quả tiên tiến nhất trên ReVSI, VSI-Bench và SPAR-Bench, với điểm số ReVSI là 62,8, vượt qua cơ sở so sánh mạnh nhất 8,7 điểm.

| Bình luận: | Trang dự án: this https URL |
| --- | --- |
| Chủ đề: | Thị giác máy tính và Nhận dạng mẫu (cs.CV); Trí tuệ nhân tạo (cs.AI) |
| Trích dẫn là: | arXiv:2609.33616 [cs.CV] |
|  | (hoặc arXiv:2609.33616v1 [cs.CV] cho phiên bản này) |
|  | https://doi.org/10.48550/arXiv.2609.33616 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |

### Lịch sử nộp bài

Từ: Yang Cao [xem email](https://arxiv.org/show-email/bb81d81a/2609.33616)] [v1] CN, 27 Thg 9, 2026 14:31:57 UTC (3.047 KB)