Spatial Memory Agent: как VLM учится без дообучения

<p>В мире больших языковых и визуальных моделей редко встречаются подходы, которые позволяют улучшать <b>пространственное мышление</b> без классического дообучения. <b>Spatial Memory Agent</b> — это именно такой случай: фреймворк, который не требует обновления параметров модели и не использует внешние инструменты для пространственных задач.</p>

<figure><img src="https://rss.neurootlichnik.ru/images/82817780-d7f4-49db-a5cb-c9d58c60c054/0.jpg"></figure>
<h2>Как это работает</h2>
<p>Вместо привычного обучения на новых данных, Spatial Memory Agent использует принцип самоэволюции. Модель анализирует собственный опыт, выделяет успешные решения и превращает их в компактные «карточки памяти». Эти карточки становятся своего рода внутренними подсказками, которые можно переносить между разными моделями и даже использовать на различных бенчмарках.</p>
<p>Особенность подхода — <b>дистилляция опыта</b> без вмешательства в параметры модели. Это позволяет сохранять изначальную структуру и производительность, но при этом накапливать и использовать проверенные стратегии рассуждения.</p>
<h3>Где уже применяется</h3>
<p>Фреймворк уже интегрирован с несколькими крупными моделями семейства Qwen: Qwen3.5-9B, Qwen3.6-27B, Qwen3.6-35B-A3B и Qwen3.5-122B-A10B. Это значит, что новые возможности доступны сразу на разных масштабах и архитектурах.</p>

<p>Код обещают опубликовать — и это может заинтересовать тех, кто работает с визуальными языковыми моделями и ищет способы повысить их гибкость без затрат на переобучение.</p>

Нейро Отличник