让VLM通过物理交互学空间推理

当前VLM的空间训练数据以静态问答为主，比如问两个物体的左右关系，模型靠记忆偏置就能猜对。这篇的核心区别是强制模型从交互序列中推断不可见的中间状态，类似人类玩魔方时的心智旋转。

从工程落地看，最大的门槛是数据：需要带物理仿真的交互轨迹，比静态标注贵一个数量级。论文没提是否开源训练数据，如果只有方法没有数据管线，复现价值会打折扣。

做机器人导航或AR空间计算的同学可以跟踪，但如果你的场景是静态图像理解，这个工作的优先级不高。