SenseNova-SI: 探索空间智能在多模态基础模型上尺度效应

## 概览尽管多模态基础模型已取得显著进展，但在空间智能方面仍存在明显不足。本研究基于成熟的多模态基础，包括视觉理解模型（如Qwen3-VL、InternVL3）和统一理解生成模型（如Bagel），从尺度效应（Scaling）的视角构建了**SenseNova-SI系列模型**。我们采用系统化方法构建了包含800万样本的SenseNova-SI-8M数据集，通过严格的空间能力分类体系培养高性能、高鲁棒性的空间能力。该系列模型在多项空间智能基准测试中取得突破性表现：VSI-Bench 68.7%、MMSI 43.3%、MindCube 85.6%、ViewSpatial 54.6%、SITE 50.1%，同时保持强大的通用多模态理解能力（如MMBench-En 84.9%）。本研究进一步分析了数据规模的影响，揭示了多样化数据训练带来的涌现泛化能力，探讨了过拟合与语言捷径的风险，提出了空间思维链推理的初步研究，并验证了下游应用潜力。 SenseNova-SI是一个持续迭代的项目，所有新训练的多模态空间智能基础模型均将陆续开源，以推动空间智能领域的研究发展。 *后续 SenseNova-SI 将与更大规模的内部模型进行集成。*

发布信息

目前，我们基于流行的开源基础模型构建 SenseNova-SI，以最大化与现有研究流程的兼容性。在本次发布中，我们推出 SenseNova-SI-1.2-InternVL3-8B, SenseNova-SI-1.1-Qwen2.5-VL-3B, SenseNova-SI-1.1-Qwen2.5-VL-7B, 与SenseNova-SI-1.1-Qwen3-VL-8B，其中SenseNova-SI-1.2-InternVL3-8B在八个近期发布的空间智能基准测试（VSI、MMSI、MindCube、ViewSpatial、SITE、BLINK、3DSRBench、EmbSpatial-Bench）上，在同等模型规模下均取得了开源模型的最新最优性能（state-of-the-art）。

Model	VSI	MMSI	MindCube-Tiny	ViewSpatial	SITE
Open-source Models (~8B)
InternVL3-8B	42.1	28.0	41.5	38.6	41.1
Qwen3-VL-8B-Instruct	57.9	31.1	29.4	42.2	45.8
BAGEL-7B-MoT	31.4	31.0	34.7	41.3	37.0
SpaceR-7B	41.5	27.4	37.9	35.8	34.2
ViLaSR-7B	44.6	30.2	35.1	35.7	38.7
VST-7B-SFT	60.6	32.0	39.7	50.5	39.6
Cambrian-S-7B	67.5	25.8	39.6	40.9	33.0
SenseNova-SI-1.1-Qwen2.5-VL-8B	58.1	32.8	54.7	45.5	43.9
Proprietary Models
Gemini-2.5-pro-2025-06	53.5	38.0	57.6	46.0	57.0
Grok-4-2025-07-09	47.9	37.8	63.5	43.2	47.0
GPT-5-2025-08-07	55.0	41.8	56.3	45.5	61.8