机器人、自动驾驶、AR 这些真实场景里，空间理解从来都不是"看一眼图像"就能解决的。相机在动、视角在变、目标时隐时现——空间信息分散在长时间视频流里，模型不仅要"看得见"，更要**"记得住、连得起来、还能持续更新"**。这正是多模态大模型迈向真实世界的一道关键门槛。

清华大学博士生刘芳甫担任一作的空间智能模型 Spatial-TTT，被计算机视觉顶会 ECCV 2026 正式接收。它用一句话给出自己的答案：让模型不只是看视频，而是在观看过程中边看、边更新、边"长出"一份空间记忆。

仅有 2B 参数的它，在论文测试的多个专项空间智能基准上超过 GPT-5、Gemini-3-pro 等闭源模型，能处理最长 120 分钟的流式视频，并已开源。

Spatial-TTT 是什么

可以把它理解成多模态模型版的"工作记忆"：传统 VLM（视觉语言模型）每次看一帧或一段固定长度视频，空间信息要么塞进上下文、要么直接丢；Spatial-TTT 的核心是在推理过程中持续向一个外部空间记忆模块写入和更新，让模型对空间的理解随观看时长累积，而不是依赖无限膨胀的上下文窗口。

这和人理解空间的方式更像——你不是一次性看完整个房间，而是在移动、观察、遗忘、修正中，逐渐形成稳定的 spatial memory。

Spatial-TTT 在 ECCV 2026 中给出的核心思路：流式视频中边看边更新空间记忆。

核心能力

1. 流式处理 120 分钟视频

不靠把所有帧塞进上下文，而是通过 test-time 空间记忆更新机制，把长达 2 小时的视频"消化"进一个紧凑的、可查询的 spatial state。这意味着长视频不再被粗暴截断，也不会爆显存。

2. 2B 参数打赢闭源大模型

在 SpatialBench、视频空间推理等多个专项基准上，2B 的 Spatial-TTT 超过 GPT-5、Gemini-3-pro 等参数量数十倍于它的闭源模型。这是开源社区在"空间智能"这个细分赛道上少见的领先。

3. 持续更新而非静态快照

真正的卖点不是单次推理强，而是当世界变化时模型能跟上。同一个场景里物体被移动、遮挡、重新出现，Spatial-TTT 的 spatial memory 会动态修正，而不是停留在第一次看到的快照里。

应用场景

明确的目标用户：

• 机器人与具身智能团队：作为机器人的 spatial perception 模块，处理长时序视觉输入并维持稳定空间记忆，比直接用通用 VLM 更省显存、更稳
• 自动驾驶感知工程师：处理长时序行车视频，做场景级别的空间理解与目标追踪
• AR / VR 应用开发者：在持续变化的相机视角下做空间锚定、语义建图
• 空间智能研究者：作为强基线复现、改进，论文与代码已开源

需要清醒的是，Spatial-TTT 当前是专项能力模型，不是通用 VLM 的替代品——它的强项是空间理解，文字对话能力并不突出，做通用聊天机器人选它不合适。

实际体验建议

• 作为长视频空间推理的基线：在自己数据集上和 GPT-5、Gemini-3-pro 对比，重点关注 120 分钟级别的长流式场景，这是它领先最明显的地方
• 作为机器人 perception 模块：和 VLA 框架结合时，把 spatial memory 当作可查询的状态接口，比直接拼接图像 embedding 更省 token
• 注意输入假设：它假设输入是连续的、有时间戳的视频流，对图片集（无时序）的优势会缩水

💡 提示：ECCV 2026 的论文与开源代码会持续更新，关注 SpatialBench 这个基准本身——它正在成为空间智能方向的"事实标准"评测集，提前熟悉有助于自家模型对标。