Spatial-SSRL 是模型训练领域的开源项目，由 InternLM 开发，2025 年首次发布。
它收录于模型训练分类，该分类目前共有 523 个项目，GitHub 星标数为 141。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-18。Apache-2.0许可证，可免费使用和部署。
它主要面向的使用场景是：机器人导航与路径规划。同类可对比的替代方案包括 LLaVA、BLIP-2、InstructBLIP。
Spatial-SSRL
让AI看懂空间关系，无需人工标注，强化学习自动提升空间推理。
Spatial-SSRL 是一个面向视觉语言模型（VLM）的自我监督强化学习框架，旨在提升模型的空间理解能力。它通过引入强化学习机制，让模型在无需人工标注的情况下，自主探索和优化对空间关系的认知，如物体位置、方向、距离等。项目提供了完整的训练代码、预训练模型和评估基准，解决了当前VLM在空间推理任务上表现不佳的问题。其核心能力包括：设计空间感知的奖励函数、构建自监督探索环境、以及高效的策略优化算法。该框架适用于机器人导航、自动驾驶、增强现实等需要精确空间判断的场景。
开源
free
开源模型
GitHub 星标
★ 141
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类开源模型
开发团队InternLM
所属国家
定价模式free
价格说明开源项目，Apache-2.0许可证，可免费使用和部署。
访问状态
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型3d-understanding,large-language-models,large-vision-language-models,llm,spatial-understanding,vision-language-model,vlm
GitHub 星标★ 141
30天Star增速
HF 下载量
上线时间2025-10-29 00:00:00
最近更新2026-09-18 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4
使用教程
核心亮点
- 首个将自监督强化学习用于空间理解的VLM框架，方法新颖
- 提供完整训练pipeline和评估基准，易于复现
- 针对空间推理任务设计了专门的奖励机制，效果显著
不足之处
- 项目处于早期，文档和社区支持尚不完善
- 训练成本可能较高，对计算资源有要求
适用场景
- 机器人导航与路径规划
- 自动驾驶场景理解
- 增强现实中的空间交互
替代项目
LLaVA、BLIP-2、InstructBLIP
项目介绍
同类项目推荐
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···