从视觉输入中捕捉空间关系，是实现类人通用智能的核心要素。以往多项研究尝试通过引入额外的专家编码器来提升视觉-语言模型（VLMs）的空间感知能力，但这种方法往往带来额外的计算开销，并通常损害模型的通用性能。为在通用架构中增强空间能力，我们提出视觉空间调优（Visual Spatial Tuning, VST），一种全面的框架，旨在培养VLMs具备类人的视觉空间能力，涵盖从空间感知到空间推理的全过程。我们首先构建了一个大规模数据集VST-P，用于提升VLMs的空间感知能力。该数据集包含410万条样本，覆盖单视图、多图像和视频三类场景，涵盖19项空间技能。随后，我们推出了VST-R数据集，包含13.5万条精心筛选的样本，旨在引导模型进行空间推理。特别地，我们采用渐进式训练流程：首先通过监督微调建立基础的空间知识，再通过强化学习进一步提升空间推理能力。该方法在不损害模型通用能力的前提下，显著提升了VLMs在多个空间基准测试上的表现，取得了当前最优结果，包括在MMSI-Bench上达到34.8%的准确率，在VSIBench上达到61.2%的准确率。实验表明，借助所提出的视觉空间调优范式，视觉-语言-动作模型的能力可得到显著增强，为构建更具物理现实基础的人工智能系统开辟了新路径。