SCOUT: Unlocking Enhanced Spatial Reasoning via Structured Chain-of-Thought and Multi-Objective Process Reward

想象一下你正在教一个机器人如何在杂乱的房间里导航。你可以给它看一张椅子和桌子的照片，但如果机器人看到的只是平面图，它可能会认为椅子就在桌子旁边，即使实际上桌子在椅子后面三英尺远的地方。这就是许多当前的“视觉语言模型”（VLMs）——那些能够识别图像并阅读文本的超强大人工智能——所面临的大问题。它们擅长识别物体，但在空间推理方面却经常遇到困难，即理解物体在 3D 空间中的位置、它们之间的距离以及它们如何相互关联。

为了解决这个问题，科学家们尝试了两种主要技巧。第一种是监督微调（SFT），这就像强迫一名学生通过阅读一千遍课本来死记硬背。这效果还可以，但学生可能只是记住了答案而没有真正理解逻辑，所以当测试题目改变时，他们就会感到困惑。第二种技巧是强化学习（RL），AI 通过试错来学习，只有在得到最终答案时才会获得一个“奖励”（比如一块数字饼干）。问题在于，AI 并不知道其思考过程中的哪一步赢得了这块饼干。它是对深度判断对了？还是正确数对了物体？或者它只是运气好猜中了答案？如果没有明确知道哪一步表现良好，AI 就无法学习如何改进其具体的推理技能。

这就是名为 SCOUT 的新论文所要解决的问题。研究人员希望教会 AI 如何像人类一样进行 3D “观察”并逐步思考问题。他们构建了一个系统，强制要求 AI 将其思考过程分解为一个结构化的故事：首先描述场景，然后测量物体的深度和位置，最后利用这些测量数据来解决谜题。他们还发明了一种新的方式，不仅针对最终答案，还针对思考过程中的每一个步骤来发放“饼干”（奖励）。通过这样做，他们创造出了一个不仅仅是在猜测，而是真正理解物理世界的模型。

问题所在：缺乏“深度感”的 AI

想象一下你正在看一张狗和球的照片。普通的 AI 可能会说：“有一只狗和一个球。”但如果你问：“球是否比狗更靠近摄像机？”标准的 AI 可能会出错，因为它看的是一张平面的 2D 图像。它没有内置的深度感。

以往的尝试都有缺陷。有些方法试图通过向 AI 展示数百万个示例（SFT）来教它，但 AI 只是记住了模式而非学习物理规则。其他方法使用了强化学习，但它们只在最后才给予奖励。这就像一位老师在批改数学试卷，只根据最终的数字给分，却忽略了学生是正确地进行了加法运算，还是仅仅靠猜。AI 并不知道自己是擅长测量深度，还是仅仅在最终猜测时运气好。

解决方案：SCOUT 的“结构化思维”

开发 SCOUT（利用过程监督强化学习训练的结构化思维链）的研究人员决定改变游戏规则。他们并没有让 AI 自由发言，而是给它一个严格的模板来引导思考。

把 SCO cảnh SCOUT 想象成一名正在调查犯罪现场的侦探。AI 不被允许直接喊出答案。它必须遵循特定的剧本：

1. 描述（The Caption）： 首先，用平实的语言描述整个场景。
2. 场景（The Scene）： 接下来，它要扮演激光扫描仪的角色。它识别每一个物体，在物体周围画一个框（边界框），并估计它有多远（深度）。
3. 分析（The Analysis）： 然后，它利用这些测量数据进行计算。“狗的深度是 2.5 米，球的深度是 1.5 米。因此，球更近。”
4. 答案（The Answer）： 最后，给出答案。

这种结构迫使 AI 在尝试解决问题之前，先真正地“测量”这个世界。

核心秘诀：功劳归于实处

SCOUT 的真正魔力不仅在于模板，还在于他们如何教 AI 变得更好。他们使用了一种特殊的强化学习方法，就像一位非常严格的教练。

在旧的方法中，如果 AI 得到了最终答案，它就会获得奖励；如果错了，它就什么也得不到。SCOUT 通过为侦探工作的每一个部分都提供奖励来改变这一点：

• 你是否正确识别了物体？（定位奖励/Grounding Reward）
• 你是否准确测量了深度？（深度奖励/Depth Reward）
• 你的逻辑是否合理？（推理一致性奖励/Reasoning Consistency Reward）
• 你是否遵守了模板规则？（格式奖励/Format Reward）

想象一位教练在观察一名篮球运动员。教练不仅仅是在球进筐时欢呼，而是在球员运球出色、传球正确以及跑位精准时也会鼓掌。通过这种方式，球员学习的是如何赢得比赛，而不仅仅是知道自己赢了。SCOUT 使用这种“多目标”奖励系统，来教会 AI 精确的深度和逻辑与得到最终答案同样重要。

研究发现：结果

团队测试了他们的新 AI 模型，命名为 SCOT-3B 和 SCOUT-7B（数字代表模型的规模大小）。他们将这些模型与包括著名的 GPT-4o 在内的其他顶尖 AI 模型进行了对决。

结果令人印象深刻。在关于空间理解的通用测试中，SCOUT-3B 模型比其基础版本提升了 16.85%。更令人惊讶的是，更大的 SCOUT-7B 模型在空间推理任务上竟然以 4.28% 的优势击败了 GPT-4o。这是一个重大的突破，因为 GPT-4o 是一个庞大的、专有的模型，通常被视为行业标准。

研究人员还发现，尽管他们仅在单张图像上训练 AI，但该模型足够聪明，能够将学到的知识应用到视频和多张图像中。这就像教一个孩子在平坦的车道上骑自行车，然后看着他们在坡道上骑行而不会摔倒。该模型展示了它能将对 3D 空间的理解泛化到新的、更复杂的场景中。

为什么这很重要

这篇论文表明，让 AI 真正理解物理世界的关键不在于把模型做得更大或喂入更多数据。关键在于教会它们如何思考。通过强制 AI 显式地测量深度并遵循逻辑思维链，并通过奖励这一过程的每一步，SCOUT 创建了一个在空间推理方面表现得好得多的模型。

作者谨慎地指出，这是一个重要的进步，但并非完美的解决方案。他们的模型仍然依赖于特定的训练数据和结构化格式。然而，结果展示了通往下一代 AI 的清晰路径——即那些不仅能“看”图片，而且能真正理解其中 3D 世界的系统。无论是帮助机器人导航杂乱的房间，还是帮助自动驾驶汽车理解行人距离，这种空间智能都是许多现实应用中缺失的关键环节。