入选ECCV2026！清华开源空间模型打败Gemini：真正的空间智能是在世界变化中持续学习

本文由清华大学博士生刘芳甫等研究者提出Spatial-TTT模型，该工作被计算机视觉顶会ECCV 2026接收，旨在解决多模态模型在动态真实世界中从“看懂画面”到“理解空间”的核心问题。研究背景是：在机器人、自动驾驶等场景中，空间信息分散于长时间视频流中，模型需持续更新记忆而非一次性处理。研究目的是：使模型在推理过程中边看视频边更新内部参数，形成并维护动态的3D空间记忆，突破传统方法依赖长上下文的局限。结论是：仅2B参数的Spatial-TTT在多项空间智能基准上超越GPT-5、Gemini-3-pro等闭源模型，可处理最长120分钟流式视频。其创新包括混合式TTT架构（75%TTT层负责长程记忆，25%全注意力层维持语义理解）、空间预测机制（在Q/K/V中引入3D时空卷积捕捉几何连续性）以及稠密场景描述监督（训练模型维护全局3D记忆）。实验表明，Spatial-TTT在VSI-Bench、MindCube-Tiny等基准上表现优异，同时实现超40%的显存与计算节省，为Physical Agent的持续世界状态建模提供了新路径。