En ny forskningsartikel fra arXiv foreslår en alternativ tilgang til spatial ræsonnement, hvor 3D-opfattelse og ræsonnement adskilles eksplicit i stedet for at blive lært sammen gennem stor-skala træning. Metoden, kaldet Disentangled Spatial Reasoner (DiSR), bruger eksisterende perceptionsmodeller til at rekonstruere den fysiske verden som struktureret 3D-evidence og finjusterer derefter en stor sprogmodel (LLM) med LoRA til at ræsonnere udelukkende over denne eksplicitte geometriske information.
Ifølge artiklen opnår DiSR konkurrencedygtige resultater på populære spatial reasoning-benchmarks uden behov for stor-skala 3D VQA-træning eller komplekse værktøjs-politikker. Det giver forbedret fortolkbarhed, modularitet og beregningsmæssig effektivitet sammenlignet med end-to-end modeller.
For beslutningstagere betyder det, at man kan opnå stærk spatial intelligens uden de enorme ressourcer, der normalt kræves til end-to-end træning. Virksomheder, der bygger systemer til robotik, autonome køretøjer eller augmented reality, kan drage fordel af en mere modulær tilgang, hvor perception og ræsonnement kan opdateres uafhængigt – hvilket potentielt reducerer udviklingstid og omkostninger.
