空间推理模型砍掉自回归生成
推荐指数 72.0 NO. 020 · 2026.10.18
upvotes351comments2
为什么值得看
MJev-Spatial 将空间推理任务统一为单次分类框架，直接输出选项/标量/2D坐标，绕过 VLMs 的自回归解码和文本解析开销。推理速度和准确率双提升，对机器人、AR 等实时交互场景是刚需。
媒体预览
编辑判断
当前机器人/具身智能团队做空间判断，基本靠 Qwen-VL、GPT-4V 生成文本再正则提取，延迟动辄几百毫秒且解析易错。这篇的核心 trick 是把 attention map 直接 match 到离散输出空间，本质是用分类替生成。
在 NAVI 空间推理 benchmark 上比 LLaVA-1.5 快 8 倍、准确率高 12%，但论文没提训练数据规模和是否支持连续坐标回归。如果开源代码能复现，做机械臂抓取、无人机避障的团队可以优先试跑延迟敏感链路，复杂推理链路仍保留 VLM 做 System 2 兜底。