MJev-Spatial：用原生注意力匹配做空间智能
AI 总结
arXiv 上的一篇论文提出 MJev-Spatial，一种“System 1”多模态决策模型，把空间理解中的选择题、数值预测和二维点定位统一为分类问题：它直接用主干网络预训练的 query 与 key 投影给候选打分，不新增参数，推理时每次决策只需一次前向、不生成任何答案 token。该模型基于 Qwen3.5-4B，用从现有空间数据集转换而来的 1230 万条问答对训练；作者称其在八个被测模型中取得最高总分 65.64%，在 12 项基准中的 7 项位列第一，并在全部 12 项上优于未改动的自回归基座模型，速度比最快的自回归基线快 2.5 倍、比基座模型快 5.6 倍。论文还报告通过联合监督各粗到细阶段、长度感知全局批处理与跨 GPU 负载均衡，训练吞吐较原批处理策略提升 30.8%。
深度见解
它展示了把空间判断压缩成单次前向分类的可行路径，可能减少具身智能与机器人等实时场景对自回归解码的依赖。