SpatialCLI：先用空间工具推理，再脱离工具

SpatialCLI框架通过三个阶段（Call、Learn、Internalize）让视觉语言模型（VLM）先使用空间工具，再逐步内化感知能力。在MindCube基准上，Qwen3-VL-8B-Instruct的工具使用准确率从29.3%提升至84.6%，超过GPT-5.6 Sol的72.1%，内化后无工具准确率保持73.8%。

此前通用VLM与专用视觉模型存在能力鸿沟：通用模型能推理任务但细节不足，专用模型细节准确但缺乏任务决策。SpatialCLI通过工具增强和内部化，显著提升了VLM的空间感知能力，且内化后仍保持较高准确率，为具身智能和空间推理提供了新路径。

SpatialCLI利用专用视觉模型作为外部工具，增强VLM的感知细节；通过冷启动监督微调和代理强化学习优化工具使用；最后将成功的工具使用轨迹语言化，使VLM在不依赖工具时也能复现部分感知能力。这种‘外部工具+内部化’机制，弥补了通用模型与专用模型的能力差距。

SpatialCLI可应用于具身智能产品，如机器人导航、空间感知，提升决策准确率。对于开发者，可能减少对高成本专用模型的依赖，并降低模型迭代成本。

• 开发基于SpatialCLI的视觉语言模型工具包，集成到机器人操作系统
• 在自动驾驶或AR产品中，利用SpatialCLI提升空间理解和任务决策
• 为生成式AI平台提供空间推理增强服务

• 证据仅来自单一摘要，SpatialCLI在真实场景中的泛化能力如何？
• 内部化后保留的73.8%准确率是否随模型规模变化？
• 工具内化后对提示词长度和推理延迟的影响未提及