视觉语言模型回答"这个物体在图像的哪个位置"这类空间问题,走的是一条笨路:自回归地生成一段文字,再把它解析回一个选项、一个标量或一个二维坐标。输出空间明明只有几个选项,却要为它付出整套解码与解析的成本。10 月 15 日提交到 arXiv 的 MJev-Spatial 提出了另一条路线:这类问题不该用生成来答,该用分类(arXiv:2610.22276)。
把空间问题变成选择题
论文把三类空间理解任务——空间关系问答、数值估计、图像定位——统一进一个分类框架:每个候选答案当作一个类别,直接用骨干网络预训练好的 query/key 投影打分,不新增任何参数。选择题的候选就是选项;数值估计用"由粗到细"的值域分箱;定位则用逐级收窄的图像区域。一作 Luozheng Qin 等 12 位作者,论文 37 页、27 张表。
单次前向,零答案 token
推理时每个决策只需一次前向传播,不生成任何答案 token。官方报告的速度:比未改动的自回归基座快 5.6 倍,比最快自回归基线也快 2.5 倍。对机器人和具身智能这类要求"交互速率"判断的场景,这个量级的延迟差是质变而非微优化。
成绩单与开源情况
底座是 Qwen3.5-4B,训练数据为从既有空间数据集转换来的 12.3M 问答对。官方评测里,模型在 12 项基准上拿到 65.64% 的总分,居八个受测模型之首,其中 7 项第一,12 项全部超过自家未改动的基座。训练侧用 teacher forcing 在一次前向里联合监督所有由粗到细阶段,配合长度感知全局批与跨 GPU 负载均衡,吞吐比原策略提升 30.8%。工程交付完整:代码以 Apache-2.0 开源,权重已挂 Hugging Face(mindlab-research/MJev-Spatial-4B),GitHub 仓库含运行时、训练循环与公开评测器。
泼点冷水
65.64% 是官方评测内八个模型的对比,不是公开榜单位次;模型尚无独立复现。更要紧的是边界:分类框架只适用于输出空间紧凑的任务,开放式的空间描述与推理仍然需要生成式模型。"快思考"专线修好了,慢思考那条路还在原地。
对做具身智能的人来说,这篇论文的启示很直接:当答案空间本来就可枚举,生成就是浪费。先问一句"这个问题真的需要生成吗",比换更大的模型省钱得多。