騰訊與清華等發布 Spatial-TTT-2B 模型：採混合架構與動態快權重，VSI-Bench 空間基準測試超越 GPT-5

據報導，清華大學、騰訊混元與南洋理工大學研究團隊聯合發布 Spatial-TTT-2B 模型，透過測試時訓練（TTT）架構解決連續影片流的空間記憶與算力瓶頸。 模型採用 3:1 的混合架構，將解碼器中 75% 的注意力層替換為 TTT 層，以動態更新「快權重」壓縮時序資訊，並保留 25% 全注意力層負責跨模態對齊與邏輯推理。為兼顧硬體平行效率與時空連續性，TTT 層採用 2648 個 Token 的大區塊（Chunk）更新策略，並結合雙路平行結構：主幹路負責跨區塊長程記憶，旁路採用滑動窗口注意力（SWA）彌補區塊內的局部因果連續性。此外，模型引入 3D 深度可分離卷積，將視覺特徵重組為時空體素網格，為快權重注入三維連續幾何偏置；並採用帶動量與正交約束的 Muon 最佳化器防止權重爆炸。 訓練階段使用基於 3D 場景圖構建的密集場景描述資料集（涵蓋 ScanNet 與 ARKitScenes 約 1.6 萬個室內漫遊樣本），並採用兩階段漸進式訓練：先透過滑動窗口退火策略引導快權重學習長程記憶，再接入約 300 萬條空間問答資料提升推理能力。 在 VSI-Bench 空間基準測試中，Spatial-TTT-2B 取得 64.4 分，超越 GPT-5（55.0 分）與 Gemini-3-pro（56.0 分）；其中相對朝向任務達 73.0%，物體計數達 70.8%。在測試跨視角一致性與遮擋推理的 MindCube-Tiny 基準中，該模型綜合準確率達 76.2%，領先 Gemini-3-pro（63.9%）與開源模型 MindCube-3B（51.7%）。