Spatial-TTT是什么

先问一个问题：如果让AI看一段长达两小时的视频，然后问它“厨房水池的左边是什么”，它能答得上来吗？

这其实一直是个老大难。大语言模型虽然能懂文字、能看图，但面对连续的视频流，特别是长视频，往往会“看到后面忘了前面”。

清华大学、腾讯混元与南洋理工大学最近联合推出的Spatial-TTT，正是在解决这个痛点。

这个框架只有2B参数，但借助一种叫Test-Time Training（TTT）的技术，可以在观看视频流的过程中，持续更新内部的“空间记忆”。换句话说，它边看边记，而且能记整整120分钟。

在VSI-Bench、MindCube-Tiny等多个基准测试上，它的表现甚至超过了GPT-5、Gemini-3-pro这类闭源大模型，峰值显存占用比行业领先方案节省超过40%。

Spatial-TTT的主要功能

那么，这个框架具体能干什么？

• 流式空间记忆维护：视频流被切成小块，逐块输入。模型在线更新参数，用快速权重来存储，边看边累积3D空间证据，不用一次性把整段视频全装进“脑子”。
• 长时程空间推理：可以做相对/绝对距离估计、物体计数与大小判断、房间尺寸感知、方向识别、路径规划，甚至外观顺序推理。这些任务对空间理解的要求相当高。
• 超长视频处理：稳定处理10分钟到120分钟的连续视频流。在VSI-SUPER长期记忆基准上，性能几乎没有衰减。
• 高效推理：输入1024帧的情况下，峰值显存仅11.9GB，理论计算量799.4 TFLOPs——远低于同类大模型。

Spatial-TTT的技术原理

要理解它为什么能做到这些，需要看背后的技术细节。

这里有几个关键设计：

• 混合式TTT架构：研究团队在解码器里以3:1的比例交替插入TTT层和标准自注意力锚定层。75%的TTT层负责把长程空间信息写进快速权重，实现线性复杂度的记忆扩展；剩下25%的全注意力层则用来保留预训练模型的语义理解与跨模态对齐能力。这样既利用了TTT的长记忆优势，又不至于破坏原有的视觉-语言能力。
• 空间预测机制：传统的TTT用逐点线性投影生成Q/K/V，很容易忽略视觉token的局部几何结构。Spatial-TTT在TTT分支里引入了轻量级3D时空卷积，让快速权重学到的不是孤立token的映射，而是时空上下文到时空上下文的预测关系。这样一来，几何对应、视角变化和时间连续性都能被更稳定地捕捉。
• 稠密场景描述监督与渐进训练：现有空间智能数据大多是稀疏的局部问答，很难驱动快速权重学习全局更新。因此团队构建了涵盖全局语境、物体类别与数量、空间关系的稠密3D场景描述数据，采用两阶段渐进训练。第一阶段先通过稠密描述学习“记住整个空间”，形成全局3D意识；第二阶段再用数百万条空间VQA数据强化流式推理能力。

技术设计的重点

• 记忆能持续更新：不是简单拉长上下文，而是把空间信息写入内部状态。
• 保留原有多模态能力：通过混合注意力结构，避免长记忆机制破坏语义理解能力。
• 更适合空间任务：通过3D时空卷积，更稳定地建模几何关系和时间连续性。

如何使用Spatial-TTT

如果你想把Spatial-TTT用起来，流程大致如下：

• 环境准备：去GitHub仓库（https://github.com/THU-SI/Spatial-TTT/）克隆代码，配置好Python环境和依赖。
• 模型加载：加载预训练的Spatial-TTT-2B权重，初始化TTT快速权重。
• 输入视频流：把长视频切成连续的chunk，逐块输入模型。每处理完一个chunk，模型会自动更新内部空间状态。
• 空间问答：输入自然语言空间问题，比如“从红色蜡烛出发面向窗户，如何走到门口”。模型会基于累积的空间记忆生成答案。
• 扩展应用：可以接入机器人、自动驾驶或AR设备的实时视频流，实现持续空间感知。

Spatial-TTT的核心优势

相比同类技术，Spatial-TTT有几个非常突出的点：

• 小参数超越大模型：2B参数在多项空间基准上击败了GPT-5、Gemini-3-pro等闭源巨头。在MindCube-Tiny上，准确率领先Gemini-3-pro整整12个百分点。
• 线性扩展性：通过fast weights在线更新，显存与计算量随视频长度线性增长。这避免了传统长上下文模型那种平方级的复杂度爆炸。
• 空间记忆而非内容堆积：它不依赖无限膨胀的上下文窗口，而是把观察转化为可更新、修正和调用的内部空间状态。这种设计更适合物理Agent长期运行。
• 显存效率显著：1024帧场景下显存占用仅11.9GB，较行业领先方案（21.2GB）降低了超过40%。带显式几何编码器的对比模型在同等帧数下已经跑不动了。

一句话总结优势

参数更小、记忆更长、显存更省、空间推理更强。

Spatial-TTT的项目地址

• 项目官网：https://liuff19.github.io/Spatial-TTT/
• GitHub仓库：https://github.com/THU-SI/Spatial-TTT
• HuggingFace模型库：https://huggingface.co/collections/THU-SI/spatial-ttt
• arXiv技术论文：https://arxiv.org/pdf/2603.12255

Spatial-TTT的同类竞品对比

直接和目前最强的闭源模型Gemini-3-pro比一比，差距更直观：

Spatial-TTT的应用场景

这项技术能用在哪些地方？想象一下：

• 机器人导航：服务机器人或家用机器人在房间里持续移动时，实时更新空间地图，能够回答“沙发相对于窗户的位置”，或者规划到达目标点的路径。
• 自动驾驶：车辆在长时程行驶中持续积累道路、路口与障碍物的空间关系，支持复杂的方向判断与距离估计。
• AR/VR 空间交互：头显设备在用户使用过程中持续理解环境布局，实现虚实融合的空间锚定与物体关系查询。
• 智能监控与安防：对长时间视频流进行在线空间分析，追踪物体出现顺序、计数与位置变化。不需要离线全量处理，可以实时响应。

《夸克》非常好用的免费AI浏览器

下载APP查看