綜合評分登頂八大榜單！商湯開源最新空間智能模型，刁鑽考題「考不倒」

（來源：上觀新聞）

新民晚報記者今天（6日）獲悉，商湯科技正式開源空間智能模型日日新SenseNova-SI-1.3，其在空間測量、視角轉換、綜合推理等核心任務中展現出顯著提升，另外對比之前的版本增強了回答簡答題的能力。

在集成多項權威空間智能榜單的綜合評測平臺EASI上，SenseNova-SI-1.3綜合性能超越Gemini-3-Pro，均分斬獲EASI-8（八個權威空間智能榜單的混合評測）標準第一，在多個高難度空間任務（尤其是視角轉換）中表現優異。

刁鑽考題驗證：精準突破空間智能核心難點

EASI-8包含一系列專門考察空間理解能力的高難度測試題，讓Gemini-3-Pro等模型都頻頻踩坑。那麼SenseNova-SI-1.3表現如何呢？

新民晚報記者看到，其中一道題是要求統計兩張照片中建築模型的總數量，核心難點是理解兩張圖的對應關係，以此避免遮擋漏數和重複多數。

圖2視角下顯現出圖1中被遮擋的深灰色建築，且部分模型在兩圖中重複出現。Gemini-3-Pro未完全去重，誤數為6個；SenseNova-SI-1.3則給出 「4個」的準確答案

另一題中，題目給出兩張書房局部照片，已知電腦位於房間北部，詢問學生寫作業區域的方位。需先理解兩張圖片屬於同一空間，再通過視覺線索拼接場景。Gemini-3-Pro誤判學習區在西側；SenseNova-SI-1.3精準定位 「西北角」，符合空間邏輯。

再有一題考察「參照系的空間理解」題目要求以 「未戴眼鏡男士的自身視角」 判斷身旁戴眼鏡男士的方位，模型很容易以「觀察者視角」來判斷方向。Gemini-3-Pro就誤選了 「右邊」；SenseNova-SI-1.3則能正確給出「左邊」的正確答案。

空間智能是「極其獨特」的多模態能力

一篇2025年發表於機器學習頂會ICML的論文揭示了一個有趣的發現：視角轉換和所有傳統多模態模型的能力的相關性均異常得低——這代表主流算法路徑可能不是空間智能的形成的有效路徑，同時也解釋了為什麼領先的多模態大模型在空間智能相關的任務上表現不佳。

研究發現視角轉換任務與其他多模態任務的相關性（紅框內）呈藍色，即代表相關性較低

這篇論文還發現，空間智能似乎存在反尺度效應的現象：更大的模型並不能更好地解決空間智能任務。另外，在EASI的官方報告中也可以找到相似的描述，指出視角轉換任務依然是最具挑戰的基礎能力之一。

研究還發現增大模型尺寸對提升視角轉換任務效果不佳

學術界現有數據集多着重於目標識別與場景理解，模型往往停留在圖像模式匹配階段，難以形成穩定的空間理解能力。基於這一洞察，想要解決空間智能尤其是視角轉換任務，簡單擴充相關數據規模是不夠的。

爲了解決這一根本問題，商湯科技團隊將視角轉換看作從二維視覺信息邁向三維空間關係理解的關鍵橋樑，並將其拆解為遞進的能力階段，並構造大量且層次分明的訓練數據，使模型建立完備的空間理解能力。

空間智能的核心——視角轉換任務被拆解成了三個關鍵步驟：建立跨視角關聯、理解視角移動、想象視角變換，並圍繞着解決這三個基礎能力構造大量訓練數據

同時，在數據規模持續擴大的過程中，團隊挖掘並重組多視角學術數據資源，將許多過去未被充分利用的標註轉化為視角轉換訓練數據，「這種跨數據源的重組與再利用，使積累大量豐富而系統的空間理解數據成為可能。」

更有趣的是，團隊在研究中似乎發現了一些智能涌現的先兆：一些看起來毫無關聯的但也許細想之下有底層能力聯繫的任務可以協同發展。另外，團隊也發現在視角轉換任務上訓練的模型也可以增強如心智重建、綜合空間推理等能力。

空間智能的尺度效應：SenseNova-SI在視角轉換任務上超越GPT-5

引領空間智能普惠生態

SenseNova-SI-1.3模型的升級發佈背后，是商湯科技始終致力於打破技術壁壘，讓頂尖空間智能技術惠及更多開發者與企業。

對科研人員而言，SenseNova-SI-1.3通過在空間智能上驗證數據尺度效應提供了一個與現有基座模型完全兼容，但又長於空間智能的強力預訓練模型和基線，可以直接在其之上設計創新算法或者續訓，推動空間智能向人類水平邁進。

SenseNova-SI在具身任務上的探索了空間智能的重要性

對企業來説，可直接基於 SenseNova-SI-1.3快速落地應用，縮短研發周期、降低技術門檻；對普通用户而言，未來將有更多搭載先進空間智能的產品走進生活——從智能家電到自動駕駛，從工業機器人到教育設備，都將更懂 「空間邏輯」、更貼合實際需求。

原標題：《綜合評分登頂八大榜單！商湯開源最新空間智能模型，刁鑽考題「考不倒」》

來源：作者：新民晚報 郜陽