SenseNova－SI：AI终于能看懂三维空间了（1/2）

先给你一个总览：SenseNova-SI是商汤2025年11月开源的空间智能大模型，有2b、8b两个轻量版本，在VSI、SI、dcube、ViewSpatial四大权威测试里，8b版平均60.99分，把Gpt-5（49.68）、Gei 2.5 pro（48.81）甩在身后，靠的是不堆参数堆方法，用原生多模态架构+空间专项训练，让AI真正理解三维世界，而不是只会“看图说话”。

一、为啥说“空间智能”是AI的命门

- AI的“老盲症”：以前的AI就是个“睁眼瞎学霸”——读书万卷、写文一流，但看三维世界一塌糊涂。比如给它一张桌子的图，它分不清哪个是正面、哪个是侧面；自动驾驶场景里，它可能把“旁边车要右转”判成“静止”，这就是行业里说的“空间认知短板”。

- 问题出在哪：传统大模型用的是“拼接式架构”，先把图片转成文字信号再解读，就像把3d电影转成2d剧本再讲给你听，中间大量空间细节全丢了，相当于让盲人靠听描述去想象魔方结构，怎么可能对。

- 为啥现在必须解决：AI要落地到自动驾驶、机器人、工业制造、3d设计这些领域，必须能跟物理世界交互，空间理解是底层能力。没有它，具身智能就是空话，机器人拿杯子会摔、自动驾驶会撞、数字人做直播动作会飘，根本没法商用。

二、SenseNova-SI到底牛在哪（数据说话）

- 核心成绩：8b版在四大空间测试中平均60.99分，比Gpt-5高11+分，比同级开源模型（如qwen3-VL-8b）高20+分；2b轻量版也照样领先不少，不是靠堆参数，是靠方法对路。

- 六大空间能力全拉满：商汤把空间智能拆成6个维度，SI模型在每个维度都有硬提升：

1. 空间测量：能算物体长宽高、距离角度，误差比Gpt-5小42%，工业质检、AR测量直接能用。

2. 空间重构：给正面图能脑补侧面、背面，像搭积木一样，跨视角预测准确率比传统模型高37%，3d建模不用再拼半天。

3. 空间关系：分清“杯子在桌子上”“桌子在杯子下”，复杂场景里错误率降42%，机器人导航不迷路。

4. 视角转换：换个角度还认识同一个物体，自动驾驶里识别侧面来车更稳，不会误判。

5. 空间形变：知道物体挤压、折叠后会变成啥样，工业仿真、游戏动画制作效率翻倍。

6. 空间推理：能解决“把红色方块放蓝色方块左边，再把黄色方块放红色方块前面，黄色在蓝色的哪侧”这类问题，逻辑链比传统模型长3步以上，具身智能决策更准。

- 轻量还能打：2b、8b的参数规模，用消费级显卡（如Rtx4090）就能跑，不用千亿参数的超级计算机，这才符合“工业红线”——用的成本低于创造的价值，能大规模落地。

三、技术揭秘：不堆参数，怎么实现碾压

- NEo原生多模态架构（底层革命）：不是先把图片转文字再解读，而是从transforr底层就让视觉和语言同步处理，像人的眼睛和嘴巴一起工作，不丢空间细节。关键创新有三个：

1. 原生图块嵌入：图片像素直接映射成语义词元，不压缩、不丢细节，比传统“翻译式”架构保留**90%+**空间信息。

2. 三维旋转位置编码：视觉信号用高频编码（抓细节），语言信号用低频编码（抓逻辑），两者不打架，模型能同时“看”和“想”。

3. 混合注意力机制：每层推理都让图文信息互相“盯紧”，不是各干各的，理解更连贯。

- 专项训练法（练出空间想象力）：

1. 空间能力分类数据：搞了800万量级的SenseNova-SI-8数据集，涵盖从简单测量到复杂心理重构，标签细到“物体从这个角度看是哪个面”，不是乱堆数据。

2. 跨视角预测训练：给正面图，让模型猜侧面、背面，像教小孩搭积木一样练“空间想象力”，不是只让模型猜下一个词，而是真懂结构。

3. 反作弊测试：做circur test（选项轮转）和去视觉化测试，确保模型是靠看图像推理，不是靠“碗就该在桌上”这类文字套路蒙答案，性能扎实。

- 算法蒸馏（落地提速关键）：把扩散模型100步推理压到4步，实现64倍提速。比如Sekotalk实时数字人，以前生成20秒视频要1小时，现在实时出，一块Rtx4090就能跑，直播、短视频制作直接能用，成本砍到原来的1\/10以下。

四、四大测试怎么测，分数为啥靠谱

- VSI-bench（空间理解综合考）：测物体位置、遮挡、大小关系，SI-8b得68.7%，Gpt-5只有52%，复杂场景里模型不会再把“车在树后”判成“车不在”。

- SI-bench（多模态空间推理）：图文结合出空间题，比如“红色球在绿色盒子左边，蓝色球在绿色盒子右边，红色球和蓝色球谁离你更近”，SI-8b比Gpt-5高12分，理解上下文+空间关系更稳。

本章未完，点击下一页继续阅读。