量子位
·
商汤开源SenseNova-SI-1.3，八大空间智能榜单综合评分登顶
内容提要
商汤科技开源的SenseNova-SI-1.3在空间智能任务中表现优异，综合评分超过Gemini-3-Pro，尤其在视角转换等高难度任务中展现出更高的准确性。该模型通过重组多视角数据，提升了空间理解能力，克服了传统模型的不足。
关键要点
-
商汤科技开源的SenseNova-SI-1.3在空间智能任务中表现优异，综合评分超过Gemini-3-Pro。
-
SenseNova-SI-1.3在视角转换等高难度任务中展现出更高的准确性。
-
该模型通过重组多视角数据，提升了空间理解能力，克服了传统模型的不足。
-
EASI-8评测中，SenseNova-SI-1.3在多个高难度空间任务中表现优异。
-
SenseNova-SI-1.3在统计建筑模型数量、判断学习区域方位等任务中均表现出色。
-
研究表明，视角转换任务与传统多模态模型的能力相关性较低。
-
增大模型尺寸对提升视角转换任务效果不佳，存在反尺度效应。
-
空间智能需要全新的学习范式，尤其是在视角转换任务上。
-
视角转换任务被拆解为建立跨视角关联、理解视角移动、想象视角变换三个关键步骤。
-
SenseNova-SI团队重组多视角学术数据资源，构造层次分明的训练数据以提升模型能力。
延伸解读
视角转换的挑战与解决方案
视角转换任务是空间智能中的核心难点，涉及建立跨视角关联、理解视角移动和想象视角变换。SenseNova-SI-1.3通过拆解任务并构建层次分明的训练数据，显著提升了模型在这一领域的表现。这一方法论为未来的空间智能研究提供了新的思路，强调了数据质量和结构的重要性。
反尺度效应的启示
研究表明，增大模型尺寸并未有效提升视角转换任务的表现，反而存在反尺度效应。这提示我们在开发空间智能模型时，不能仅依赖模型规模的扩大，而应关注模型的结构设计和训练数据的多样性，以更好地应对复杂的空间理解任务。
多视角数据的重组价值
SenseNova-SI团队通过重组多视角学术数据资源，充分挖掘未被利用的标注信息，为模型训练提供了丰富的空间理解数据。这种跨数据源的整合策略，不仅提升了模型的训练效果，也为其他研究者在数据利用方面提供了借鉴，强调了数据资源的再利用潜力。
延伸问答
SenseNova-SI-1.3与Gemini-3-Pro相比有什么优势？
SenseNova-SI-1.3在空间智能任务中综合评分超过Gemini-3-Pro，尤其在视角转换等高难度任务中展现出更高的准确性。
视角转换任务的关键步骤是什么？
视角转换任务被拆解为建立跨视角关联、理解视角移动、想象视角变换三个关键步骤。
SenseNova-SI-1.3如何提升空间理解能力？
该模型通过重组多视角数据，构造层次分明的训练数据，以提升空间理解能力，克服传统模型的不足。
增大模型尺寸对视角转换任务的影响是什么？
增大模型尺寸对提升视角转换任务效果不佳，存在反尺度效应。
EASI-8评测中，SenseNova-SI-1.3的表现如何？
在EASI-8评测中，SenseNova-SI-1.3综合性能超越Gemini-3-Pro，获得第一名。
空间智能的学习范式需要怎样的改变？
空间智能需要全新的学习范式，尤其是在视角转换任务上，不能仅依赖于数据规模的扩充。
