论文提出工具增强视觉智能体 PERIA，并报告其空间推理基准提升。
资讯摘要
论文提出工具增强视觉智能体 PERIA，用于地图推理、视觉探测与视觉重建等空间推理任务。它使用两类轻量工具：视觉感知工具输出文本、符号与空间证据，视觉交互工具用于操作视觉上下文、追踪路径和验证空间关系。作者采用监督式工具使用轨迹合成、复合奖励与 OR-GIGPO 训练。论文报告在 8 个数据集 13 个基准上，PERIA-8B 较 Qwen3-8B 骨干在分布内提升 10.0 个百分点、分布外提升 4.4 个百分点。
要点速读
- PERIA 面向需要主动获取证据和多步视觉交互的空间推理任务，使用视觉感知与视觉交互两类轻量工具。
- 训练方法结合监督式工具使用轨迹合成、复合奖励和 Observation-Relaxed Group-in-Group Policy Optimization（OR-GIGPO）。
- 作者报告 PERIA-8B 在 13 个基准上较 Qwen3-8B 骨干分布内提升 10.0 个百分点、分布外提升 4.4 个百分点，并称其表现与 Qwen3-VL-235B-A22B-Thinking、GPT-5 等更大模型相当。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。