#空间推理

给机器人用的 VLM，先补推理数据

主流视觉语言模型在三件很笨的事上会翻车：给打乱的画面排序、按远近排物体、按左右排位置。这篇论文用自动生成的数据做微调，两类训练都有效，方法可以照着搭。