license: apache-2.0 datasets:

• remyxai/SpaceThinker base_model:
• UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B tags:
• remyx
• qwen2.5-vl
• spatial-reasoning
• multimodal
• vlm
• vqasynth
• thinking
• reasoning
• test-time-compute
• robotics
• embodied-ai
• quantitative-spatial-reasoning
• distance-estimation
• visual-question-answering language:
• en pipeline_tag: image-text-to-text library_name: transformers model-index:
• name: SpaceThinker-Qwen2.5VL-3B results:
  • task: type: visual-question-answering name: Spatial Reasoning dataset: name: Q-Spatial-Bench type: custom metrics:
    • type: success_rate value: 0.3226 name: Overall Success Rate results_by_distance_bucket:
    • name: 0-10cm count: 7 successes: 3 success_rate: 0.4286
    • name: 10-30cm count: 28 successes: 5 success_rate: 0.1786
    • name: 30-60cm count: 16 successes: 8 success_rate: 0.5
    • name: 60-100cm count: 17 successes: 9 success_rate: 0.5294
    • name: 100-200cm count: 19 successes: 4 success_rate: 0.2105
    • name: 200cm+ count: 6 successes: 1 success_rate: 0.1667

SpaceThinker-Qwen2.5VL-3B

📚 目录

• 🚀 在线体验
• 🧠 模型概览
• 📏 定量空间推理能力
• 🔍 查看示例
• 📊 评估与基准测试
• 🏃‍♀️ 运行SpaceThinker
• 🏋️‍♂️ 训练配置
• 📂 数据集信息
• ⚠️ 局限性
• 📜 引用

在线体验空间思维者

模型概览

SpaceThinker-Qwen2.5VL-3B 是一款通过测试时计算增强空间推理能力的多模态/视觉语言模型(VLM)，基于 UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B 微调，训练数据来自VQASynth管道生成的合成推理轨迹。

• 模型类型: 多模态，视觉语言模型
• 架构: Qwen2.5-VL-3B
• 模型大小: 37.5亿参数(FP16)
• 微调基础模型: UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B
• 微调策略: LoRA(低秩适应)
• 许可证: Apache-2.0

查看SpaceThinker系列

空间推理能力

强大的定量空间推理能力对于需要规划和导航3D空间的具身AI应用(如机器人和无人机)至关重要。SpaceThinker通过测试时计算提升能力，训练样本基于对场景观察的一致解释来支撑最终回答。

• 增强的定量空间推理(如距离、大小)
• 基于物体关系的推理(如左侧、上方、包含、最近)

空间思维者示例

以下是SpaceThinker-Qwen2.5VL-3B视觉问答的示例图像/提示

提示: 戴红帽子的男子距离地板上的箱子托盘有多远(英尺)?	提示: 这张图片中点球手距离球门有多远?	提示: 椅子和书架大约相距多少米?
推理: 要确定戴红帽子的男子与箱子托盘的距离，需要考虑仓库中的空间布局。男子走在地板上，与托盘之间有可见间隙。首先估算托盘尺寸，标准托盘通常宽约4英尺，长约8英尺。男子站在托盘边缘附近，可能距离托盘前缘约2-3英尺。接着考虑过道宽度约6-7英尺。综合判断，戴红帽子的男子距离箱子托盘约2-3英尺。	推理: 观察到穿红色球衣的球员站在球门附近。标准足球门柱延伸2.5米。球员站位接近但不在球门线上。根据点球场景常规设置，球员站位应比球门更靠后。视觉估计球员距离球门约10-15米，符合点球常规距离。因此点球手距离球门约10-15米。	推理: 估算椅子和书架距离需考虑物体典型尺寸。标准办公椅高约60-70厘米，书架高1.2-1.8米。假设椅子置于地面，书架顶部高度差约1米。考虑房间布局和相对位置，椅子和书架顶部总距离约1米。因此两者相距约1米。
答案: 2-3英尺	答案: 10-15米	答案: 1米

SpaceThinker展示了基于定量空间推理的能力——通过整合视觉线索、现实物体先验和人类空间逻辑，推断精确距离、解释3D场景上下文并给出精准的开放式答案。

了解更多关于使用测试时计算增强多模态定量空间推理的信息。

运行空间思维者

体验SpaceThinker空间

使用llama.cpp本地运行，安装并构建此分支，下载.gguf权重

./llama-qwen2vl-cli -m spacethinker-qwen2.5VL-3B-F16.gguf
--mmproj spacethinker-qwen2.5vl-3b-vision.gguf
--image images/example_1.jpg --threads 24 -ngl 9
-p "穿蓝衬衫工作的男子身高是否比地板上的木制箱子托盘更高?" 

在Colab中使用llama.cpp运行

或使用Transformers本地运行

import torch
from PIL import Image
from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
import requests
from io import BytesIO

# 配置
model_id = "remyxai/SpaceThinker-Qwen2.5VL-3B"
image_path = "images/