본 논문은 시각-언어적 추론, 특히 공간 배치, 관계, 역동성에 대한 추론 능력인 시각 공간 인지 능력 향상을 위해 새로운 다중 모달 대규모 언어 모델(MLLM)인 ViCA2를 제시합니다. ViCA2는 의미를 위한 SigLIP과 공간 구조를 위한 Hiera를 통합한 이중 시각 인코더 아키텍처와 효율성을 위한 토큰 비율 제어 메커니즘을 특징으로 합니다. 또한, 32만 개 이상의 공간 기반 질의응답 쌍으로 구성된 대규모 데이터셋 ViCA-322K를 개발하여 목표 지시 조정을 수행했습니다. ViCA2-7B 모델은 VSI-Bench 벤치마크에서 56.8점의 최첨단 평균 점수를 달성하여, LLaVA-NeXT-Video-72B 및 Gemini-1.5 Pro와 같은 대규모 오픈소스 및 독점 모델을 능가했습니다. ViCA2, 코드베이스 및 ViCA-322K 데이터셋을 공개하여 추가 연구를 지원합니다.