大模型虽在视觉理解上表现出色，但仍是“2D生物”，难以进行真正的3D空间推理。一项名为“Think with Space”的研究打破这一局限，它让模型能直接在3D空间中操作，通过拖动视角、切换观察方式来思考。这不仅让GPT等大模型的空间推理能力飙升，还为解决小模型在空间探索中的难题提供了新思路，推动AI向更智能的具身体迈进。
智能速览
提出新范式“Think with Space”，让模型直接操作3D空间进行推理。
该范式显著提升了GPT、Gemini等大模型的空间推理能力。
研究发现小模型在获得3D空间操作能力后表现反而变差。
提出Think3D-RL强化学习算法，有效解决了小模型的难题。
通过RL训练后，小模型的性能随推理步数增加而显著提升。
精华内容
从理论到实践，这项研究不仅构建了全新的交互式推理框架，还深入揭示了不同规模模型在空间操作上的差异，并给出了针对性的解决方案。
Think with Space：新范式
传统视觉语言模型（VLMs）本质上仍是2D感知者，在处理需要理解几何和空间关系的任务时表现不佳。“Think with Space”范式通过3D重建模型从图像中恢复出点云和相机位姿，构建了一个可供模型直接操作的3D空间。模型不再是被动地“看”图像，而是可以像人一样，主动拖动视角、自由切换第一人称（ego）或全局（global）视图进行观察，将复杂的空间推理任务转化为一个交互式的3D思维链过程。
能力飞跃：大模型性能飙升
无需对模型本身进行额外训练，仅通过赋予其操作3D空间的能力，顶尖模型的空间推理能力就获得了显著提升。实验数据显示，在BLINK Multi-view和MindCube基准测试中，GPT-4o和Gemini 2.5 Pro等模型的平均性能提升了7.8%。在更具挑战性的VSL-Bench测试中，性能增益也达到了4.7%。这证明了让模型在真实的空间维度中“思考”，是突破其2D感知瓶颈的有效路径。
反直觉发现：小模型的困境
研究过程中出现了一个令人意外的现象：给予小模型操作3D空间的能力后，它们的推理表现反而变差了。深入分析后，研究者发现问题的根源在于小模型天生缺乏有效的空间探索策略。它们不知道如何选择有价值的观察视角，也无法在恰当的时机切换第一人称和全局视图，导致在复杂的3D环境中“迷失方向”，无法形成有效的推理链。
Think3D-RL：强化学习的解法
为解决小模型的困境，研究团队提出了Think3D-RL强化学习算法。该算法通过GRPO奖励机制，在不需要任何人工标注的空间轨迹数据的情况下，引导小模型自主学习大模型在空间操作上的有效策略，即如何选择好的视角以及何时切换视图。训练结果令人惊喜：经过RL训练后的小模型，推理的步数越多，其性能增长就越为明显，工具使用带来的收益从微不足道的0.7%大幅提升至6.8%。
这项研究不仅为提升大模型的空间推理能力提供了切实可行的框架，更揭示了模型规模与工具使用能力之间的深刻关联。它预示着，未来的智能体不应仅满足于回答问题，而应真正具备看懂世界、理解几何、在3D空间中自主探索的能力，这或许是通往更高级别通用人工智能的关键一步。
