以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Spatial reasoning requires understanding how objects and observers are arranged in a scene and how their relations change with viewpoint or movement. Vision-language models (VLMs) typically perform both steps through model-internal reasoning, forming an implicit scene interpretation from partial views and imagining the
阅读原文 · Chentao Cao, Zhanke Zhou, Sangni Duan, Bo Han, Hang Li
向阳乔木 · opencode-go/deepseek-v4.1-flash
空间推理这件事，视觉语言模型一直做得别扭。原因不难理解：模型要先从几张局部视角里“脑补”出整个场景，再在脑子里模拟视角变化和物体移动。 这两步都在模型内部完成，错了也没有地方校准。 Spatial Harness 的思路是把这两步拆出来，交给一个可执行的世界状态来兜底。 这篇论文想解决什么 摘要把问题说得很清楚：读错场景会导致答错，而即使场景读对了，模型“想...