论文页面 - MJev-Spatial：通过原生注意力匹配实现系统一空间智能

来源：https://huggingface.co/papers/2610.22276 作者：

,

,

,

,

,

,

,

,

,

,

摘要

MJev-Spatial 是一个快速多模态决策模型，它将空间推理任务统一到单次前向分类框架中，在速度和准确性方面均优于自回归视觉语言模型。

空间智能使智能体能够在物理世界中感知和行动，其中许多判断必须以交互速率完成：哪个空间关系成立、物体距离多远、或将物体放置在何处。视觉语言模型（Vision-language models）（VLMs）通过自由形式的文本生成来产生这些答案，即使输出空间很紧凑——少数选项之一、一个标量或一个二维点——仍然要付出自回归解码和答案解析的代价。鉴于此，我们提出 MJev-Spatial，一个系统一多模态决策模型（multimodal decision model），在统一的分类框架（classification framework）内解决三类空间理解任务。具体而言，MJev-Spatial 将每个候选项视为一个类别，并利用骨干模型预训练的 query 和 key 投影（query and key projections）对其进行打分，不引入额外参数。候选项可以是选择任务中给出的选项，也可以是数值预测和点预测任务中通过由粗到细分类（coarse-to-fine classification）细化的数值区间和图像区域。在推理阶段，每个分类决策仅需一次前向传播，不生成任何答案 token。为了高效地在异构空间数据上进行训练，我们在一次前向传播中使用 teacher forcing（teacher forcing）联合监督所有由粗到细的阶段，并结合长度感知全局批处理（length-aware global batching）和跨 GPU 负载均衡（cross-GPU load balancing），将训练吞吐量相比原始批处理策略提升了 30.8%。基于 Qwen3.5-4B 构建，并在从现有空间数据集转换而来的 12.3M 问答对上训练，MJev-Spatial 在八个被测模型中取得了最高的总分（65.64%），在十二个基准中的七个上排名第一，并在全部十二个基准上均超过了未经修改的自回归基座模型，同时运行速度比最快的自回归基线快 2.5 倍，比基座模型快 5.6 倍。

查看 arXiv 页面 查看 PDF 项目页面 GitHub4 添加到收藏

在你的智能体中获取此论文：

hf papers read 2610.22276

还没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 2

Fr0zencr4nE/MJev-Spatial-Qwen-3.5-4B 32 分钟前更新 • 2 https://huggingface.co/Fr0zencr4nE/MJev-Spatial-Qwen-3.5-4B

mindlab-research/MJev-Spatial-4B 21 分钟前更新 • 1 https://huggingface.co/mindlab-research/MJev-Spatial-4B

引用此论文的数据集 0

没有数据集链接到此论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.22276 即可从本页面链接到它。

引用此论文的 Spaces 0

没有 Space 链接到此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.22276 即可从本页面链接到它。

包含此论文的收藏 0

没有收藏包含此论文

将此论文添加到收藏即可从本页面链接到它。