MJev-Spatial：免生成token的空间推理模型，提速5.6倍

事件核心：发生了什么

据论文摘要，这项工作想解决一类很具体的空间智能问题：判断两个物体的空间关系、估算距离、给出放置位置。传统视觉语言模型（VLM）即使只输出一个选项、一个标量或一个二维点，也要走完整的自回归解码和答案解析，交互速度受限。

MJev-Spatial 的做法是把每类候选当作一个“类”，复用模型骨干网络已有的 query 和 key 投影直接打分，不额外增加参数；选项题用给定选项作为候选，数值和点位预测则通过由粗到细的分类，用数值分箱和图像区域逐步细化。推理时每个分类决策只需一次前向计算，不生成任何答案 token。

训练侧，摘要称其用教师强制在一次前向中联合监督所有由粗到细的阶段，配合长度感知的全局批处理和跨 GPU 负载均衡，训练吞吐比原批处理策略提升 30.8%。模型基于 Qwen3.5-4B，训练数据为现有空间数据集转换出的 1230 万问答对。作者报告 MJev-Spatial 在八个测试模型中综合得分最高（65.64%），12 个基准中 7 项排名第一，并在全部 12 项上优于未修改的自回归基座模型，推理速度是最快自回归基线的 2.5 倍、基座模型的 5.6 倍。以上均为论文摘要口径，信息范围有限。

为什么重要

这代表了一条与“把 VLM 做得更大、生成更长”不同的技术路线：当输出空间本身很紧凑时，继续用文本生成范式去解码，本质上是算力浪费。把空间判断重新定义为分类打分，直接把推理成本压到单次前向，这对需要高频交互的机器人操作、具身智能、自动驾驶感知和 AR 空间交互都有现实意义。

从竞争格局看，摘要将其定位为“System 1”式的快速决策模型，与需要多步推理的慢思考模型形成分工。如果这种不增加参数的注意力匹配方案可复现，它可能成为端侧和低延迟场景中部署空间理解能力的一个实用选项，而不是只能依赖云端大模型 API。

对用户/开发者/创作者的影响

对开发者而言，最具吸引力的是“无额外参数、无答案 token”这两个特性：意味着推理延迟和显存占用可能更可控，适合嵌入到机器人控制回路或实时交互应用里。基于 Qwen3.5-4B 的规模也说明它不是只能跑在超大规模集群上。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对做具身智能、3D 内容工具或空间标注产品的团队，值得关注的是它把距离回归和点位预测统一进分类框架的做法，这可能影响之后的数据格式和评测设计。对普通用户，短期内更直接的感知是未来一些空间类 AI 功能可能响应更快、单位算力成本更低，但目前公开信息仅到论文摘要层面，还没有已上线产品的证据。

值得关注的后续

一是代码和模型权重是否开源、评测是否可复现；二是由粗到细分类在更复杂真实环境中的精度是否稳定，尤其是数值回归和点位预测的误差范围；三是这种“打分代替生成”的思路是否会被其他 VLM 团队跟进，以及它能否从空间任务扩展到更一般的紧凑输出任务。

来源：Hugging Face Papers