Skill-3D：透過場景感知技能進化提升3D空間推理能力

本文針對多模態大型語言模型（MLLM）在3D空間推理中存在的工具誤用及偏好偏差問題，提出了Skill-3D框架。現有方法往往對所有場景採用統一的工具使用策略，忽略了任務場景的異質性，導致智能體性能提升有限。Skill-3D透過建構「場景記憶」記錄智能體的工具使用軌跡，將相似場景中的成功軌跡蒸餾為可複用的場景感知技能，並將失敗案例作為教訓附加其中。在訓練過程中，當類似場景重現時，系統注入相應技能以引導智能體，形成記憶與技能庫協同進化的閉環。實驗表明，該方法顯著優化了工具利用率，在VSI-Bench上從39%提升至78%，並在MMSI-Bench上使Gemini-3-Flash性能提升67%。此外，基於技能引導軌跡的智能體後訓練使Qwen3-VL-8B在VSI-Bench上的表現提升了43%，證明了該框架在增強3D空間理解方面的有效性。