商汤开源SenseNova-SI：面向空间智能的多模态模型

当前主流多模态基础模型在文本、图像理解、推理和生成任务上已取得显著进展，但在空间智能（Spatial Intelligence）方面仍存在系统性短板。具体表现为：

• 对物体尺度、距离、比例的估计不准确
• 难以理解三维空间结构与几何关系
• 对视角变化（如旋转、遮挡）缺乏鲁棒性
• 在复杂场景中难以整合多源空间信息

为系统性提升模型的空间理解能力，商汤科技从尺度效应（Scaling）视角出发，构建了一个大规模、多样化的空间智能训练数据集，并在通用多模态基础模型上进行持续微调，形成了 SenseNova-SI 模型系列。

• GitHub：https://github.com/OpenSenseNova/SenseNova-SI
• 模型：https://huggingface.co/collections/sensenova/sensenova-si

模型版本与兼容性

本次开源发布包括两个版本：

• SenseNova-SI-InternVL3-2B
• SenseNova-SI-InternVL3-8B

模型基于流行的开源架构 InternVL3 构建，旨在与现有研究流程保持兼容，便于社区复现、评估与二次开发。模型权重与训练细节已公开。

评估结果

SenseNova-SI 在四个近期发布、专注于空间能力的基准测试中进行了评估：

• VSI（Visual Spatial Intelligence）
• MMSI（Multimodal Spatial Inference）
• MindCube
• ViewSpatial

在同等模型规模下，SenseNova-SI 在上述基准上均达到当前开源模型的最佳性能（SOTA）。

具体而言，SenseNova-SI-8B 的平均得分如下：

注：闭源模型数据来自官方或第三方公开评测，非直接对比实验。

结果显示，SenseNova-SI-8B 在显著更小的参数量下（8B vs. 闭源模型估计的数百B），在空间任务上表现优于所列闭源系统。这表明，针对特定能力进行数据与训练策略优化，可在垂直领域超越更大通用模型。

技术意义

商汤指出，空间智能是具身智能体（Embodied Agents）与物理世界交互的基础能力。当前大模型虽在语言、知识、编程等任务上表现优异，但在需要理解“物体在哪里”“如何移动”“从哪个角度看”的任务中仍显不足。

SenseNova-SI 的探索表明：

• 空间能力可通过专用数据集+持续训练有效提升
• 尺度效应不仅存在于通用任务，在垂直能力上同样存在
• 即使中等规模模型，也能在特定领域达到领先水平

该工作为多模态模型的垂直能力优化提供了可复现路径。