腾讯混元、清华、南洋理工联手，「以小博大」破解空间智能算力与记忆断裂难题 | ECCV 2026

Spatial-TTT 给 2B 模型装上“流式空间记忆” ，在空间基准上超越 GPT-5。

作者丨张 璐

编辑丨幸丽娟

单纯拉长上下文，可以解决“能塞进多少信息”的问题。但面对状态变化、时序关联这类长程任务时，注意力还是容易被稀释，关键证据也容易找不回来。

当场景扩展到具身机器人、自动驾驶和智能硬件这些需要与三维物理世界实时交互的领域时，这一矛盾被进一步放大。

与纯文本或静态图文不同，真实物理世界的输入天然是持续涌入、没有明确边界的视频流。智能体在空间中移动时，视角不断切换、物体频繁被遮挡，这些都要求系统必须具备流式空间智能——一边接收视频流，一边实时构建并更新环境的三维空间记忆。

主流方案在处理这种连续视频流时，普遍在工程与架构上面临两重限制：

• 算力与显存边界的硬性制约：基于标准 Transformer 自注意力机制的计算与 KV Cache 显存开销随序列长度呈二次方级攀升。在长达数十分钟甚至数小时的连续视频输入下，即便采用先进的长序列优化策略，端侧受限硬件也很容易因为显存急剧膨胀而无法继续运行。

• 时序下采样对几何连续性的破坏：工程中常用的均匀抽帧或关键帧截取方案，本质上是以牺牲细粒度时序信号为代价来换取计算效率。但 3D 空间关系高度依赖连续的视差与几何线索，大幅跳帧会让模型直接漏掉关键的空间信息，而且事后很难补回来。

产生这些现象的根本原因，是“推理时参数完全固定”和“物理世界持续动态变化”之间的不匹配。传统多模态模型在推理阶段所有权重都冻住了，面对源源不断涌入的视频流，只能把每一帧当成离散 Token 被动堆进上下文，缺少一套能在推理过程中实时整合、更新三维几何信息的内部记忆机制。

为了解决这个问题，清华、腾讯混元、南洋理工的研究团队在最新论文《Spatial-TTT: Streaming Visual-based Spatial Intelligence with Test-Time Training》中，把重心从“继续拉长注意力窗口”转向了“在推理过程中让参数在线自适应更新”。

论文链接：https://arxiv.org/pdf/2603.12255

他们基于测试时训练范式，把模型的一部分参数变成可以在推理过程中动态更新的“快权重”，用它充当紧凑的非线性空间记忆。这样既能保持线性计算开销，又能让模型在源源不断的长视频中持续记住空间细节，并理解前后帧之间的位置关系。

核心就是打破参数固定的限制，让模型随着视频输入实时更新自己的空间记忆（见下图1）。

图1 Spatial-TTT 整体流程示意

01

为什么不能全用 TTT？

3:1 混合架构的取舍

面对流式长视频，想把计算开销从二次方压到线性，测试时训练（TTT）提供了一种新的架构思路：打破“推理阶段参数必须完全固定”这个前提。

处理连续视频时，模型会维护一组叫“快权重”的小型可更新参数ₜ。每来一批视觉 Token，它就用自监督损失算梯度，通过在线梯度下降把当前信息写进快权重；之后需要用到历史上下文时，直接用更新后的权重做前向计算就行。快权重就成了能在线更新、压缩历史信息的动态记忆。

然而，如果把多模态大模型里所有自注意力层都换成纯 TTT，性能会立刻大幅下滑。

▎纯 TTT 会伤语义对齐，所以保留 25% 全注意力层

预训练大模型最重要的能力之一，是已经学好的多模态图文对齐和通用逻辑推理。自注意力虽然算力贵，但能让全局特征充分交互，保证语义不丢失。

实验表明，如果在长序列里完全去掉自注意力、全部换成纯 TTT，模型在长程推理（尤其是多跳选择题和复杂逻辑判断）上的表现会明显下滑。

在 VSI-Bench 消融实验中，纯 TTT 架构的综合分数从 64.4% 降到 53.9%，多选题准确率更是掉了超过 12 个百分点。

为了在“长程时序压缩”与“全局语义推理”之间寻找平衡，Spatial-TTT 采取了一种混合架构：

• 3:1 的层级交织：在 Decoder 里，每 4 层注意力中有 3 层改成 TTT 层，专门负责长视频里空间时序信息的动态压缩和增量更新；

• 保留 25% 的全注意力锚点层：这些层继续做全局注意力，参数不更新，主要负责跨模态特征的全局对齐和逻辑推理，用很低的计算代价保住预训练模型原有的推理能力。

▎大块更新提升效率，滑动窗口补回局部连续性

在工程落地时，TTT 层还有第二个矛盾：硬件并行效率和局部因果连续性很难同时兼顾。

在纯文本 TTT 方案中，为了追求实时性，通常采用极小的 Chunk（如 16 或 64 个 Token）进行高频快权重更新。

但这种模式直接搬到流式视频场景下却行不通：一方面，分块太小会导致 GPU 无法充分并行，吞吐效率极低；另一方面，单帧画面或连续动作包含数千个视觉 Token，频繁切分会直接破坏画面的时空连续性。

为了让 TTT 能高效处理视频，Spatial-TTT 采用了覆盖多帧的大块更新策略（Chunk Size 设为 2648 个 Token），显著提升了并行效率和帧级空间聚合能力。

但这带来了新的问题：为了防止信息向前泄漏，大块更新时，当前 Chunk 内部的 Token 不能互相看到、也不能做自注意力。如果不管这个隔离，同一块里的视频帧之间就会丢掉局部时空连续性。

为了弥补大块更新带来的时空割裂，Spatial-TTT 在每个 TTT 层里用了双路并行结构：

• 主干路（TTT 分支）：负责跨 Chunk 的长程记忆，通过持续更新快权重来保存长期的空间环境信息；

• 旁路（滑动窗口注意力 SWA）：和 TTT 分支共享、、投影，窗口大小 不小于 Chunk 大小。SWA 负责覆盖 Chunk 内部的因果注意力，把单帧内部以及相邻帧之间的细粒度时空关系补回来。

通过“3:1 混合”和“大块更新 + 滑动窗口”的组合，系统既避免了纯 TTT 带来的语义退化，又避开了全注意力的显存瓶颈，同时兼顾了长视频处理的效率和空间推理能力。

这套设计最终被整合成一套完整的解码流程（如图2）。

图2 Spatial-TTT 混合架构与 TTT 层内部结构。左侧为整体解码器结构，右侧展示单个 TTT 层的双路并行设计。

从右侧的细节中可以清晰看到，数据在流经快权重之前，经历了一个关键的“3D Spatiotemporal Conv”模块。这个看似轻量的卷积改动，恰恰是击穿传统离散 Token 局限、为快权重注入三维连续几何偏置的核心命门。

02

让快权重真正“看懂”三维空间：

3D 卷积与稳定更新

解决了底层架构和吞吐问题后，下一个关键是：如何让输入的视觉特征真正具备三维物理上的连续性。

在标准大语言模型或传统视觉 Transformer 里，、、 通常靠逐点线性投影生成。这种做法默认每个 Token 是相互独立的离散点，只能靠后面深层的自注意力去建立关联。

但对连续的 3D 空间视频流来说，这种纯逐点投影会带来明显问题：

• 空间结构被打碎：视频被切块、展平成一维序列后，逐点投影把原本相邻的像素和体素拆成了互不相干的点。局部视差、边缘连续性、深度梯度这些天然存在的空间关系，在进入快权重更新之前就已经丢失了。

• 缺少空间先验，只能硬猜：快权重本质上是靠拟合当前块的 和来记东西。如果 和本身没有局部空间信息，它就只能从一堆孤立的点里硬推 3D 结构，既容易造成梯度震荡，学到的空间表示也不稳定。

为了让快权重真正理解物理世界的三维连续变化，Spatial-TTT 引入了空间预测机制，从特征生成和在线更新方式两个层面改造了 TTT 分支。

▎用 3D 卷积给视觉特征加入局部几何信息

空间预测机制的核心，是在 TTT 分支生成、、 之后，先把它们重新整理成时空体素网格，再挂上一个轻量的 3D 深度可分离卷积。

用 3×3×3 这样的局部三维邻域做特征聚合，就能给每个视觉 Token 明确注入周围像素的空间关系和前后帧的时序动态。经过 3D 卷积后的K̃ 与 Ṽ已经融合了局部时空信息。快权重更新时，学的不再是单个 Token，而是连续画面里的几何变化和空间结构。

为了不破坏预训练模型已有的视觉能力，卷积核用了狄拉克初始化。训练刚开始时，这个卷积在数学上等价于恒等映射，模型可以先平滑继承基座能力，再慢慢学局部几何偏置。

消融实验也证明了这一点：在 VSI-Bench 上，去掉空间预测机制、退回传统逐点投影后，数值空间推理（绝对距离、房间尺寸等）准确率从 64.0% 降到 60.7%。说明局部空间和时序信息对提升度量精度很关键。

▎用 Muon 优化器让在线更新更稳定

特征处理解决后，另一个关键问题是在线参数更新稳不稳。

传统 TTT 多用简单的随机梯度下降更新快权重。但面对高维、噪声大的多模态空间特征时，普通 SGD 很容易被噪声带偏，导致权重矩阵分布失衡，出现特征漂移甚至数值溢出。

所以 Spatial-TTT 换用了带动量和正交约束的Muon 优化器。每一步大块更新时，先累积动量，再用 Newton-Schulz 迭代把更新方向正交化；参数更新完后，对快权重做模长归一化，既保留原来的尺度，又防止在无限长视频流里连续更新导致权重爆炸。

03

训练数据怎么选？

从稀疏问答到密集场景描述

架构搭好之后，核心问题变成了训练：如何引导快权重真正记住三维空间的全局信息。

测试时训练是否有效，关键取决于模型在离线阶段有没有学会“怎么更新快权重”。也就是要识别哪些视觉特征对未来有用，并在每一步在线更新时，主动把这些特征写进长期记忆。

但现有的空间智能数据集，在监督信号上存在严重的“先天缺陷”。

▎传统空间问答数据的问题：监督信号太弱

目前主流的空间问答数据，大多是单选题或极短的数值填空，比如“红色椅子在桌子哪一边”或“房间里有几个杯子”。

这种形式训练普通多模态模型还可以，但用来训练 TTT 的快权重更新，就暴露出明显的问题。

首先就是信号太弱。一个选项或一个数字携带的信息量太少，不足以推动快权重去记住完整的 3D 场景。模型很容易只学会针对具体短问题的应付策略，换个问法就失效。

其次，单个字母或整数提供的监督非常有限，很难激励快权重建立起持久、结构化的全局三维表示。学到的更新方式往往很脆弱，一旦离开具体问题，之前记住的特征就容易丢掉。

▎用密集场景描述提供更强的训练信号

为了打破弱监督瓶颈，团队基于 3D 场景图构建了一套密集场景描述数据集（覆盖 ScanNet 和 ARKitScenes，约 1.6 万个室内漫游样本）。

训练时，模型看连续的室内漫游视频，目标不再是短问答，而是生成一段包含全局信息的连贯场景描述。这段描述需要覆盖三个维度：

• 全局场景环境：说明房间类型和整体布局，先让快权重建立起宏观空间框架；

• 实体清单与精准计数：详细列出视野中出现过的所有物体类别和数量，促使快权重在长时序中持续追踪每个实例，避免物体移出视野后就被忘掉；

• 物体空间关系：描述物体之间的相对方位和距离，引导快权重记录它们的空间布局关系。

这种密集的全局场景描述，为快权重提供了高覆盖率、高密度的反向传播梯度，教导模型在处理视频流的每一个 Chunk 时，都能主动将具有长久价值的三维几何与拓扑信息编码进快权重中。

▎两阶段训练：先打基础，再做任务精炼

在拥有了强监督数据后，如何让预训练模型平滑过渡到流式 TTT 模式，同样需要精密的训练调度。团队设计了一套两阶段渐进式训练方案：

第一阶段：用密集描述打基础，同时做滑动窗口退火

如果一开始就把滑动窗口设得很小，强行让还没训练好的 TTT 去扛长程信息，训练初期梯度很容易剧烈震荡。所以团队用了滑动窗口退火：一开始把窗口设得足够大（比如 5600 tokens），能覆盖整个输入序列，让自注意力先兜底；随着训练推进，窗口线性缩小，直到和 Chunk 大小 （2648 tokens）对齐。

这个过程中，注意力的有效范围逐渐变小，倒逼 TTT 层的快权重慢慢承担起跨 Chunk 的长程信息传递和记忆职责。

第二阶段：用大规模空间问答做精炼

等快权重已经能捕捉全局 3D 结构后，第二阶段接入约 300 万条空间问答数据（涵盖绝对距离、相对朝向、路径规划、房间尺寸等任务）。

这时窗口和 Chunk 大小固定对齐，TTT 分支全面负责跨块空间信息的检索和利用，让模型进一步提升空间推理和指令遵循能力。

消融实验也印证了这一点：在 VSI-Bench 上，如果去掉密集场景描述的预训练阶段，模型平均分从 64.4% 降至 61.3%，在房间尺寸、相对朝向等强依赖长程记忆的任务上退化尤为明显。这表明，高密度的场景监督是模型建立长期空间记忆的前提。

04

实验结果：2B 模型在空间基准

和长视频上的表现

结合混合架构、3D 卷积和密集场景监督后，Spatial-TTT-2B 在多个空间基准上取得了明显优势。

下面分三个方面来看具体的表现。

▎VSI-Bench 与 MindCube 上的表现

在 VSI-Bench 上，Spatial-TTT-2B 取得 64.4 的综合平均分，超过 GPT-5（55.0）和 Gemini-3-pro（56.0）。其中在相对朝向任务上达到 73.0%，显著高于 GPT-5 的 48.6%

在数值问答任务中，模型在物体计数上达到 70.8%，绝对距离估计达到 47.8%，房间尺寸估计达到 65.9%，多项指标领先同量级及部分大参数模型。

在专门测试跨视角一致性与遮挡推理的MindCube-Tiny上，优势更明显：Spatial-TTT-2B 达到76.2%综合准确率，比 Gemini-3-pro（63.9%）高 12.3 个百分点，比开源空间模型 MindCube-3B（51.7%）高 24.5 个百分点。在环绕（AROUND, 89.8%）和穿透（AMONG, 74.0%）子集上的表现尤为突出。

这种在细粒度空间几何任务上的越级反杀，直观地体现在了与各大主流模型的全维度横向对比之中。

先看通用空间理解能力：（见表 1）

表1 VSI-Bench 各模型详细得分对比。

如表 1 所示，面对参数量大数十倍的闭源旗舰，2B 的流式架构在通用空间基准上依然具备明显优势。而在专门诊断视角旋转与物体遮挡的 MindCube-Tiny 基准中，这种跨视角空间推理的代差更为突出。

再看跨视角和遮挡场景下的表现（见表 2）：

表2 MindCube-Tiny 跨视角空间推理结果，包含旋转、穿透、环绕三个子集。

表 1 与表 2 充分验证了模型在静态与多视角离散任务中的空间推理能力；然而，在实际具身场景中，真正的终极考验在于将时序无限拉长。面对连续数十分钟乃至数小时的连续视频流，系统是否会出现内存爆炸或灾难性遗忘？

▎120 分钟长视频测试：能否扛住显存压力

单纯看短视频或静态多图的准确率，并不能完全体现流式架构的核心价值。在针对长时序空间感知设计的极限基准VSI-SUPER（包含 10 到 120 分钟的长视频输入）上，全注意力与长视频模型的系统性缺陷暴露无遗。

在VSI-SUPER-Count测试中，传统模型（Qwen3-VL-2B、Cambrian-S-7B 等）在超过 30 分钟后准确率明显下降，到 120 分钟时在 80GB 显卡上出现显存溢出；一些针对长视频优化的基线（MovieChat、Flash-VStream）在计数任务上得分接近 0。

而Spatial-TTT-2B 从 10 分钟到 120 分钟始终保持在 31.8%–45.6% 之间波动，整体保持可用水准，没有出现性能崩溃或显存溢出。

接下来，是真正的压力测试。当视频拉长到几十分钟甚至两小时，会发生什么？（见表 3）。

表3 VSI-SUPER 长视频空间感知结果（10–120 分钟）。

从表 3 中传统模型密集的“0.0 分”可以看出，长程物理感知的瓶颈早已不是简单的精度高低，而是系统架构能否在长时序下存活。这种存活能力的底层支撑，正是其实现了对显存和算力的精细化分配与管理。

▎显存和计算量：从二次方到线性

这种极限抗压能力的背后，是推理期双 KV Cache 机制带来的显存与计算量增长方式的根本改变：

• 滑动窗口 KV Cache：仅维护固定长度的局部上下文，超出的历史键值对直接丢弃，显存占用恒定；

• TTT Pending 缓存：仅作为增量累积单元，一旦达到 Chunk 大小 便触发一次快权重更新，随后立即清空。

这种双 KV Cache 机制带来的硬件友好特性，在 128 至 1024 帧不同长度输入的严苛算力实测中得到了完整的量化验证（见表 4）。

表4 不同输入长度下的峰值显存与计算量对比。

05

结束语：

流式空间记忆的意义和待解问题

Spatial-TTT 的核心价值，在于为多模态大模型在物理场景中的长时序落地，探索出了一条兼顾算力开销与空间记忆的工程路径。

此前，处理多模态长程记忆主要有两种思路：一是直接拉长上下文窗口，但受制于硬件算力与显存瓶颈；二是使用外挂 RAG 或向量数据库，但在连续空间感知中，外部检索容易丢失时序连续性与细粒度几何特征。

Spatial-TTT 验证了第三种可能：将模型部分参数转化为可在线更新的动态记忆体。

面向机器人、智能座舱等端侧设备，受限的算力与显存始终是核心制约。在推理过程中以线性计算开销在线更新快权重、持续保存三维环境信息，为端侧设备处理连续视频流提供了一种更具落地可行性的思路

当然，这条技术路线依然留下了值得深思的前沿课题： 当智能体面对剧烈的光照突变、动态移动的人群或完全未知的开阔室外环境时，在线更新的快权重如何有效防御特征漂移与灾难性遗忘？

从静态三维几何布局的记忆，进一步跨越到高动态的物体位移因果与连续动作序列规划，模型层与优化动力学又该如何继续演进？

这项研究推动了物理空间感知从“离散单帧处理”向“连续流式计算”的转变，也为多模态模型如何高效处理长程物理交互提供了清晰的参考方向。

为了方便大家抱团交流、互通会议消息，我们专门建了ECCV 2026参会交流群！进群你会解锁这些「福利」

• 会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。

• 同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。

• 前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。

• 现场后援团：（会议期间专属开启）：到了会场也不用慌——

  路线导航：场馆分布、报告厅怎么走，群里随时问；

  议题共读：热门 session、Keynote 现场探讨，错过也能追；

  Poster 汇编：现场海报精华整理，一键收藏不遗漏；

  约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。

进群传送门：扫码进群或添加微信Qvv0909777，备注：ECCV + 单位/学校+姓名+方向。

搞科研/搞技术，信息差很重要。

来，一起快人一步！

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。