Nytt ramverk lär AI-modeller rumsligt tänkande – och behåller det sen utan hjälpverktyg

arXiv cs.AI

SpatialCLI är ett träningsramverk som löser ett klassiskt problem: generella AI-modeller förstår uppgiften men missar viktiga visuella detaljer, medan specialiserade modeller ser detaljerna men kan inte fatta beslut. Lösningen är att låta en språkmodell (Qwen3-VL-8B) först använda specialverktyg som stöd, och sedan gradvis internalisera deras förmågor – resultatet på riktmärket MindCube klättrar från 29,3% till 84,6% med verktyg, och håller 73,8% även utan dem. Det intressanta är att modellen faktiskt lär sig se bättre, inte bara resonera bättre.