2609.23038 · 小红书推广卡片文案

三个标题变体

1. 反直觉版：视频帧打乱顺序准确率只掉 1.4 个点——arXiv 2609.23038 揭示 VLM 不懂状态转移，然后教它懂
2. 类比版：相当于给 VLM 上一堂「婴儿学物理」补习课——arXiv 2609.23038 用交互轨迹和三级课程让 AI 看懂动作前后的世界
3. 数字钩子版：从 88.7 跌到 23.9、再用一段描述回升到 35.5——arXiv 2609.23038 给出 VLM 空间推理的整体提升 16.4–25.0 个点

小红书卡片文案（约 220 字）

做 VLM 后训练的姐妹听我说 🫶

你有没有遇到过——VLM 一进动态物理世界就崩？训练数据全是静态 QA——「房间几把椅子？」「左边有什么？」——连一张图，没有"动作 → 状态变化" 😅；本地交互撑得住，长程相机位移直接崩（Qwen2.5-VL-7B 从 54.7 → 8.6，GPT-5.5 从 88.7 → 23.9）💥；加段"局部状态描述"+Trace，23.9 就能回升到 35.5——病灶不在 prompt、在训练数据没监督信号 🎯

arXiv 2609.23038（Spatial-Interactor: Learning Spatial Reasoning through Interaction with the Observable Physical World）告诉你——

❌ 错诊：调 prompt / 堆数据 ✅ 真因：训练数据缺「{O_t, a_t, O_{t+1}}」交互轨迹监督

修法：三级课程（L1 被动 → L2 主动 → L3 长程整合）+ OPD 特权自蒸馏 + LSI-108K 数据集

整体提升 16.4–25.0 个点，跨基准泛化 4.3–10.6 个点 ✨

VLM #空间推理 #具身智能 #SpatialInteractor #论文解读 #课程学习

关联论文：2609.23038（点格式）
科普版：/shared/research-kb/organized/promo/popular/2609-23038.md