Day 8 · 4B模型反超Gemini26.4分
（接上篇）

▎1. 为什么「直接预测坐标」是坏主意：连续回归学不到推理逻辑。

论文引言直言：很多方法把空间推理做成「对原始几何参数的直接连续回归」（原文：casting interior layout design as continuous regression over raw geometric parameters），模型学不到布局设计背后的推理逻辑。论文 Fig 2 给了直观证据：同样是「床头柜」，在不同房间里直接坐标是 (3.613, 2.778, 0) 和 (0.256, 2.910, 0)——同一个语义在不同房间里的坐标方差极大；而 DSL 描述 `place night_table1 bed1 obj_left_down:0 distance:0.1`（床头柜放在床的左下、距离 0.1 米）就稳定得多。作者结论：DSL 给位置描述注入了结构先验，让模型学到的是「关系」而不是「绝对值」。

▎2. 布局 DSL 是什么：一条六要素语句。

`Statement = action + instance + orient:θ + anchor + align:δ + distance:d`

- action：放置方式（如 place）；

- instance：家具类别+编号（bed0、chair1）；

- orient：朝向角（度）；

- anchor：空间参照——可以是墙锚点（wall5），也可以是已放置的家具（sofa1），这是「逐步摆放、后件依赖前件」的关键；

- align：对齐类型，论文预定义了 26 种；

- distance：与锚点的距离（米）。

配套一个双向可逆的 generator–interpreter 系统：generator 把坐标/朝向编码成 DSL 语句（用于造数据），interpreter 把 DSL 语句解码回 3D 位置参数（用于推理出场景）。LLM 输出的是「人能读懂的决策序列」，而不是一坨数字。

▎3.Python AI室内设计 DSL GRPO