UnifoLM-ER-1-4B 是面向具身环境空间理解与推理的多模态视觉语言模型。它基于 Qwen3-VL-4B 构建，在 16 个多模态感知与理解基准上评测；材料中称其在其中 7 个开源模型对比中领先，并达到与领先专有模型相当的整体表现。

训练数据超过 500 万样本，覆盖图像点预测、目标检测、多图推理、2D 轨迹预测、3D 目标检测和多图空间问答，并与通用图文数据共同训练，以保留广泛的视觉语言能力，同时提升具身环境中的空间理解与推理能力。

评测表包含 RoboVQA、Ego-Plan2、RefSpatial-Bench、Where2Place、Pixmo-Point、EmbSpatial、RoboSpatial、VSI-Bench、ERQA 等基准。材料未给出具体部署接口、机器人实机验证流程、许可或使用限制信息。