空间推理是视觉语言模型（VLM）在真实世界中理解与行动的关键。动态环境要求模型感知因物体运动和视角变化产生的局部状态转移，并在长时间轨迹上持续更新空间状态。然而，现有 VLM 在这两方面仍显不足。当前的空间训练主要聚焦于静态的属性和关系提问，缺乏对状态转移的直接监督。相反，交互轨迹天然包含前后观察与动作的对应关系，能够为局部状态转移提供直接标签，而完整轨迹则揭示连续转移之间的依赖关系。
为此我们提出 Spatial-Interactor 框架，旨在通过交互学习物理世界的状态转移。学习过程被组织为三层课程：L1 被动世界状态转移、L2 主动自我状态转移、L3 长时程交互轨迹。基于此我们构建了 Learning from Spatial Interaction 数据集（LSI-108K），涵盖模拟与真实交互轨迹，并为每一层设计对应任务。
训练采用两阶段策略。第一阶段对 L1 与 L2 进行监督微调（SFT），专注于局部转移建模。第二阶段引入在策略蒸馏（OPD），利用特权自蒸馏：教师分支提供片段级转移描述，监督学生在策略下的思考链（CoT），帮助学生在 L3 长轨迹上整合连续转移。
在多个 VLM 与空间基准上的实验表明，框架在局部转移建模和长时程整合上均实现了稳定提升。
点评