Ouroboros-Spatial: Closing the Data-Model Loop for Spatial Reasoning

📄 arXiv: 2606.11719v1 📥 PDF

作者: Enhan Zhao, Wei Wu, Yuanrui Zhang, Xueliang Zhao, Di He

分类: cs.CV, cs.AI

发布日期: 2026-06-10

💡 一句话要点

提出Ouroboros-Spatial以解决空间推理中的数据模型闭环问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 空间推理 自我演化 多模态大语言模型 动态适应 训练效率

📋 核心要点

  1. 现有的空间推理方法依赖静态数据集，导致训练效率低下，模型能力与样本难度不匹配。
  2. Ouroboros-Spatial框架通过自我演化机制，使模型在提议和求解中不断优化，提升训练样本的质量和相关性。
  3. 在六个基准测试中，Ouroboros-Spatial显著提高了模型性能，尤其在VSI-Bench上，4B和8B模型分别提升了9.9和6.8分。

📝 摘要（中文）

空间推理仍然是多模态大语言模型（MLLMs）面临的持续挑战。现有方法主要依赖于大规模静态数据集，所有训练样本被视为均匀处理，导致数据效率低下。为了解决这一局限性，本文提出了Ouroboros-Spatial，一个自我演化的训练框架，其中模型同时扮演提议者和求解者的角色。每次迭代中，冻结的提议者从3D场景元数据和原始视频帧生成空间问答对，并提供可执行代码以推导可靠的真实值。可学习的求解者随后在接受的样本上进行微调，其每个样本的预测置信度作为难度信号反馈给提议者，从而指导其生成更符合求解者当前能力的问题。通过这种闭环设计，训练分布与模型能力共同演化，减少冗余的简单示例，同时过滤出模糊或信息量有限的样本。Ouroboros-Spatial在六个空间推理基准上显著提升了Qwen3-VL-4B和Qwen3-VL-8B的性能，使用的训练样本数量比最近的大规模数据集少一个数量级。

🔬 方法详解

问题定义：本文旨在解决空间推理中数据模型闭环的问题。现有方法依赖静态数据集，导致模型在训练过程中无法有效适应样本难度，造成数据利用效率低下。

核心思路：Ouroboros-Spatial框架通过将模型分为提议者和求解者，形成自我演化的闭环机制。提议者生成问题，求解者根据当前能力进行训练，从而实现动态适应。

技术框架：该框架包括两个主要模块：提议者和求解者。提议者生成空间问答对，并提供真实值的可执行代码；求解者在接受的样本上进行微调，并利用预测置信度反馈给提议者。

关键创新：Ouroboros-Spatial的创新在于其自我演化的训练机制，使得训练样本与模型能力动态匹配，显著提高了数据利用效率和模型性能。

关键设计：在设计中，提议者生成问题时考虑求解者的能力，使用预测置信度作为难度信号，确保生成的问题既不简单也不过于复杂。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在六个空间推理基准测试中，Ouroboros-Spatial显著提升了Qwen3-VL-4B和Qwen3-VL-8B的性能，尤其在VSI-Bench上，4B和8B模型分别提升了9.9和6.8分，超越了多种强大的开源和专有基线。

🎯 应用场景

Ouroboros-Spatial的研究成果在多模态学习、机器人视觉、自动问答系统等领域具有广泛的应用潜力。通过提升空间推理能力，该框架能够推动智能系统在复杂环境中的决策能力，具有重要的实际价值和未来影响。

📄 摘要（原文）

Spatial reasoning remains a persistent challenge for multimodal large language models (MLLMs). Existing approaches largely rely on large-scale, statically curated datasets, where all training samples are treated uniformly regardless of the model's evolving capabilities. This static paradigm is inherently data-inefficient: training capacity is often spent on samples that are either trivial or overly difficult for the model at its current stage. To address this limitation, we propose Ouroboros-Spatial, a self-evolving training framework in which the model plays dual roles as a proposer and a solver. In each iteration, a frozen proposer generates spatial question-answer (QA) pairs from 3D scene metadata and raw video frames, together with executable code for deriving reliable ground truth. A learnable solver is then fine-tuned on the accepted samples, and its per-sample prediction confidence is used as a difficulty signal. This signal is fed back to the proposer in the next iteration, guiding it to generate questions better matched to the solver's current capabilities. Through this closed-loop design, the training distribution co-evolves with model ability, reducing redundant trivial examples while filtering out ambiguous or uninformative samples with limited learning value. Across six spatial reasoning benchmarks, Ouroboros-Spatial substantially improves Qwen3-VL-4B and Qwen3-VL-8B while using an order of magnitude fewer training examples than recent large-scale curated datasets. On VSI-Bench, it yields absolute gains of 9.9 and 6.8 points for the 4B and 8B models, respectively, enabling both to outperform a wide range of strong open-source and proprietary baselines.