商湯科技正式開源空間智能模型日日新SenseNova-SI-1.3，在空間測量、視角轉(zhuǎn)換、綜合推理等核心任務(wù)中展現(xiàn)出顯著提升，另外對(duì)比之前的版本增強(qiáng)了回答簡答題的能力。在集成多項(xiàng)權(quán)威空間智能榜單的綜合評(píng)測平臺(tái)EASI上，SenseNova-SI-1.3綜合性能超越Gemini-3-Pro，均分?jǐn)孬@EASI-8（八個(gè)權(quán)威空間智能榜單的混合評(píng)測）標(biāo)準(zhǔn)第一，在多個(gè)高難度空間任務(wù)（尤其是視角轉(zhuǎn)換）中表現(xiàn)優(yōu)異。

刁鉆考題驗(yàn)證：SenseNova-SI-1.3精準(zhǔn)突破空間智能核心難點(diǎn)

EASI-8包含一系列專門考察空間理解能力的高難度測試題，讓Gemini-3-Pro等模型都頻頻踩坑。那么SenseNova-SI-1.3表現(xiàn)如何呢？（下列問題在測試模型時(shí)使用的原題為英文，為便于讀者理解翻譯為中文）。

題目要求統(tǒng)計(jì)兩張照片中建筑模型的總數(shù)量，核心難點(diǎn)是理解兩張圖的對(duì)應(yīng)關(guān)系，以此避免遮擋漏數(shù)和重復(fù)多數(shù)。圖2視角下顯現(xiàn)出圖 1 中被遮擋的深灰色建筑，且部分模型在兩圖中重復(fù)出現(xiàn)。Gemini-3-Pro未完全去重，誤數(shù)為 6 個(gè)；SenseNova-SI-1.3則給出 “4 個(gè)”的準(zhǔn)確答案。

題目給出兩張書房局部照片，已知 iMac 位于房間北部，詢問學(xué)生寫作業(yè)區(qū)域的方位。需先理解兩張圖片屬于同一空間，再通過視覺線索拼接場景。Gemini-3-Pro誤判學(xué)習(xí)區(qū)在西側(cè)；SenseNova-SI-1.3精準(zhǔn)定位 “西北角”，完全符合空間邏輯。

題目要求以 “未戴眼鏡男士的自身視角” 判斷身旁戴眼鏡男士的方位，考察 “參照系轉(zhuǎn)換” 能力，模型很容易以“觀察者視角”來判斷方向。Gemini-3-Pro就誤選了 “右邊”；SenseNova-SI-1.3則能正確給出 “左邊” 的正確答案。

題目給出粉色瓶子前、后、左、右 4 張照片，詢問圖 4 角度下瓶子左邊物體。這道題需整合多視角線索重構(gòu)房間全局布局，再切換至目標(biāo)視角判斷方位 —— 第 4 張照片中瓶子左側(cè)完全處于視覺盲區(qū)，僅能通過前 3 張圖中的窗戶、床、衣柜等線索還原空間關(guān)系。Gemini-3-Pro誤選 “窗戶和藍(lán)色窗簾”，SenseNova-SI-1.3精準(zhǔn)鎖定正確答案 “衣柜和門”。

以雙層巴士與公交站的場景為題，需避免陷入“英國巴士靠左行駛，因此靠站的是左側(cè)”的常識(shí)陷阱，而是通過實(shí)際的視覺畫面判斷方位。Gemini-3-Pro誤判 “左側(cè)” 為答案；而 SenseNova-SI-1.3 則準(zhǔn)確理解 “右側(cè)” 為正確答案。

空間智能是極其獨(dú)特的多模態(tài)能力

Core Knowledge Deficits in Multi-Modal Language Models (2025)發(fā)現(xiàn)視角轉(zhuǎn)換任務(wù)與其它多模態(tài)任務(wù)的相關(guān)性（紅框內(nèi)）呈藍(lán)色，即代表相關(guān)性較低

一篇2025年發(fā)表于機(jī)器學(xué)習(xí)頂會(huì)ICML的論文《Core Knowledge Deficits in Multi-Modal Language Models》揭示了一個(gè)有趣的發(fā)現(xiàn)：視角轉(zhuǎn)換（Perspective）和所有傳統(tǒng)多模態(tài)模型的能力的相關(guān)性均異常得低，這代表主流算法路徑可能不是空間智能的形成的有效路徑，這也解釋了為什么領(lǐng)先的多模態(tài)大模型在空間智能相關(guān)的任務(wù)上表現(xiàn)不佳。

Core Knowledge Deficits in Multi-Modal Language Models (2025)發(fā)現(xiàn)增大模型尺寸對(duì)提升視角轉(zhuǎn)換任務(wù)效果不佳

這篇論文也發(fā)現(xiàn)，空間智能似乎存在反尺度效應(yīng)的現(xiàn)象：更大的模型并不能更好地解決空間智能任務(wù)。另外，在EASI的官方報(bào)告中也可以找到相似的描述，指出視角轉(zhuǎn)換任務(wù)（Perspective-taking）依然是最具挑戰(zhàn)的基礎(chǔ)能力之一。

空間智能需要全新的學(xué)習(xí)范式。

從3D世界數(shù)據(jù)匱乏到空間智能的尺度效應(yīng)

空間智能的核心——視角轉(zhuǎn)換任務(wù)被拆解成了三個(gè)關(guān)鍵步驟：建立跨視角關(guān)聯(lián)、理解視角移動(dòng)、想象視角變換，并圍繞著解決這三個(gè)基礎(chǔ)能力構(gòu)造大量訓(xùn)練數(shù)據(jù)

學(xué)術(shù)界現(xiàn)有數(shù)據(jù)集多著重于目標(biāo)識(shí)別與場景理解，模型往往停留在圖像模式匹配階段，難以形成穩(wěn)定的空間理解能力?；谶@一洞察，想要解決空間智能尤其是視角轉(zhuǎn)換任務(wù)，簡單擴(kuò)充相關(guān)數(shù)據(jù)規(guī)模是不夠的。為了解決這一根本問題，我們將視角轉(zhuǎn)換看作從二維視覺信息邁向三維空間關(guān)系理解的關(guān)鍵橋梁，并將其拆解為遞進(jìn)的能力階段，由易到難、難度遞增的三個(gè)任務(wù)層級(jí)（建立跨視角關(guān)聯(lián)、理解視角移動(dòng)、想象視角變換），并構(gòu)造大量且層次分明的訓(xùn)練數(shù)據(jù)，使模型建立完備的空間理解能力。

同時(shí)，在數(shù)據(jù)規(guī)模持續(xù)擴(kuò)大的過程中，SenseNova-SI團(tuán)隊(duì)挖掘并重組多視角學(xué)術(shù)數(shù)據(jù)資源，將許多過去未被充分利用的標(biāo)注轉(zhuǎn)化為視角轉(zhuǎn)換訓(xùn)練數(shù)據(jù)。例如，多目關(guān)聯(lián)數(shù)據(jù)集MessyTable提供了高物體復(fù)雜度場景，其中跨視角物體一致性信息與精確的相機(jī)位姿標(biāo)注，可用于訓(xùn)練物體對(duì)應(yīng)與相機(jī)運(yùn)動(dòng)推理能力；而部分室內(nèi)場景掃描數(shù)據(jù)如CA-1M中包含物體自身朝向標(biāo)注的樣本，則被用于補(bǔ)充模型進(jìn)行視角轉(zhuǎn)換與想象所需的稀缺數(shù)據(jù)。這種跨數(shù)據(jù)源的重組與再利用，使積累大量豐富而系統(tǒng)的空間理解數(shù)據(jù)成為可能。

轉(zhuǎn)載來源：商湯科技

本文為量子位獲授權(quán)轉(zhuǎn)載，觀點(diǎn)僅為原作者所有。