VIEW2SPACE：稀疏观测下的多视角视觉推理

多视角视觉推理是智能系统不可避免的需求，其必须从稀疏且离散的视点中理解复杂环境，但现有研究大多聚焦于单图像或时序密集视频场景。在现实场景中，跨视角的推理需要在无明确指导的情况下整合部分观测，而大规模多视角数据收集仍面临几何与语义标注困难的问题。为此，我们利用基于物理的仿真构建多样化、高保真度的 3D 场景，确保存储每个视角的精确元数据，从而实现可扩展的数据生成，同时保持对真实场景的可迁移性。基于此引擎，我们引入 VIEW2SPACE，一个用于稀疏多视角推理的多维基准数据集，搭建了一个支持数百万个具备几何约束的问答对的可扩展、互斥训练划分。利用该基准，对当前主流视觉语言和空间模型进行了全面评估，表明多视角推理仍基本未被解决，大多数模型仅略高于随机猜测。我们进一步探讨了训练是否能弥合这一差距。我们提出的基于视觉证据的 Grounded Chain-of-Thought 方法显著提升了中等难度下的性能，并在跨数据集评估中超越现有方法。我们进一步进行了难度感知的规模分析，涵盖模型规模、数据规模、推理深度以及可见性约束，表明在充足可见性下，几何感知可通过规模化获得帮助，但跨稀疏视角的深层组合推理仍是根本性挑战。