中文 | EN
尽管多模态基础模型已取得显著进展，但在空间智能方面仍存在明显不足。 本研究通过扩展多模态基础模型，在SenseNova-SI系列中培养空间智能。该系列构建于成熟的多模态基础之上，包括视觉理解模型（如Qwen3-VL和InternVL3）以及统一理解与生成模型（如Bagel）。 我们采用系统化方法构建高性能且稳健的空间智能，通过严格的空间能力分类体系，精心整理了800万多样化数据样本（SenseNova-SI-8M）。 SenseNova-SI在各类空间智能基准测试中展现出前所未有的性能，同时保持了强大的通用多模态理解能力。 更重要的是，我们分析了数据扩展的影响，探讨了多样化数据训练所带来的涌现泛化能力的早期迹象，分析了过拟合和语言捷径的风险，开展了空间思维链推理的初步研究，并验证了其潜在的下游应用。SenseNova-SI是一个持续进行的项目，本报告将不断更新。 所有新训练的多模态基础模型均已公开发布，以促进该领域的进一步研究。 未来，SenseNova-SI将与更大规模的内部模型集成。
| 模型 | 基础架构 | SI 数据集规模 | EASI-8 | 其他说明 |
|---|---|---|---|---|
| SenseNova-SI-1.5-InternVL3-8B | SenseNova-SI-1.4-InternVL3-8B | 150 万 | 64.4 | 增强了立体几何能力 |
| SenseNova-SI-1.4-InternVL3-8B | InternVL3 | 2900 万 | 63.7 | 增强了目标定位和深度估计能力 |
| SenseNova-SI-1.3-InternVL3-8B | InternVL3 | 1400 万 | 65.2 | 空间智能表现最佳，增强了开放式简短问答能力 |
| SenseNova-SI-1.2-InternVL3-8B | InternVL3 | 1000 万 | 64.5 | - |
| SenseNova-SI-1.1-InternVL3-8B | InternVL3 | 800 万 | 61.5 | - |
| SenseNova-SI-1.1-InternVL3-2B | InternVL3 | 800 万 | 49.4 | - |
| SenseNova-SI-1.1-Qwen3-VL-8B | Qwen3-VL | 800 万 | 58.1 | - |
| SenseNova-SI-1.1-Qwen2.5-VL-7B | Qwen2.5-VL | 800 万 | 51.0 | - |
| SenseNova-SI-1.1-Qwen2.5-VL-3B | Qwen2.5-VL | 800 万 | 45.7 | - |
| SenseNova-SI-1.1-BAGEL-7B-MoT | BAGEL | 800 万 | 48.6 | 统一理解与生成模型 |
目前，我们基于主流开源基础模型构建了SenseNova-SI，以最大限度地兼容现有的研究流程。 在本次发布中，我们推出了 SenseNova-SI-1.5-InternVL3-8B、 SenseNova-SI-1.4-InternVL3-8B、 SenseNova-SI-1.3-InternVL3-8B、 SenseNova-SI-1.2-InternVL3-8B、 SenseNova-SI-1.1-Qwen2.5-VL-3B、 SenseNova-SI-1.1-Qwen2.5-VL-7B 以及 SenseNova-SI-1.1-Qwen3-VL-8B。 SenseNova-SI-1.5-InternVL3-8B 在各类基准测试中展现出强大的空间智能，尤其在分析和解决立体几何问题方面有显著提升，在SolidGeo MCQ上准确率达到63.5，在SolidMath上达到72.7，在Math3D上达到68.9。
| 模型 | VSI | MMSI | MindCube-Tiny | ViewSpatial | SITE | BLINK | 3DSRBench | EmbSpatial-Bench |
|---|---|---|---|---|---|---|---|---|
| 开源模型（约20亿参数） | ||||||||
| InternVL3-2B | 32.9 | 26.5 | 37.5 | 32.5 | 30.0 | 50.8 | 47.7 | 60.1 |
| Qwen3-VL-2B-Instruct | 50.3 | 28.9 | 34.5 | 36.9 | 35.6 | 53.2 | 47.5 | 70.1 |
| MindCube-3B-RawQA-SFT | 17.2 | 1.7 | 51.7 | 24.1 | 6.3 | 35.1 | 2.8 | 37.0 |
| SpatialLadder-3B | 44.8 | 27.4 | 43.4 | 39.8 | 27.9 | 43.0 | 42.8 | 58.2 |
| SpatialMLLM-4B | 46.3 | 26.1 | 33.4 | 34.6 | 18.0 | 40.5 | 36.2 | 50.0 |
| VST-3B-SFT | 57.9 | 30.2 | 35.9 | 52.8 | 35.8 | 58.8 | 54.1 | 69.0 |
| Cambrian-S-3B | 57.3 | 25.2 | 32.5 | 39.0 | 28.3 | 37.7 | 50.9 | 63.5 |
| 开源模型（约80亿参数） | ||||||||
| InternVL3-8B | 42.1 | 28.0 | 41.5 | 38.6 | 41.1 | 53.5 | 44.3 | 76.4 |
| Qwen3-VL-8B-Instruct | 57.9 | 31.1 | 29.4 | 42.2 | 45.8 | 66.7 | 53.9 | 77.7 |
| BAGEL-7B-MoT | 31.4 | 31.0 | 34.7 | 41.3 | 37.0 | 63.7 | 50.2 | 73.1 |
| SpaceR-7B | 41.5 | 27.4 | 37.9 | 35.8 | 34.2 | 49.6 | 40.5 | 66.9 |
| ViLaSR-7B | 44.6 | 30.2 | 35.1 | 35.7 | 38.7 | 51.4 | 46.6 | 67.3 |
| VST-7B-SFT | 60.6 | 32.0 | 39.7 | 50.5 | 39.6 | 61.9 | 54.6 | 73.7 |
| Cambrian-S-7B | 67.5 | 25.8 | 39.6 | 40.9 | 33.0 | 37.9 | 54.8 | 72.8 |
| SenseNova-SI-1.5-InternVL3-8B | 67.3 | 38.3 | 92.1 | 59.0 | 47.5 | 69.5 | 61.3 | 80.3 |
| 专有模型 | ||||||||
| Gemini-2.5-pro-2025-06 | 53.5 | 38.0 | 57.6 | 46.0 | 57.0 | 73.5 | 59.3 | 78.9 |
| Grok-4-2025-07-09 | 47.9 | 37.8 | 63.5 | 43.2 | 47.0 | 56.4 | 54.9 | 75.7 |
| GPT-5-2025-08-07 | 55.0 | 41.8 | 56.3 | 45.5 | 61.8 | 68.0 | 60.3 | 81.6 |
关于立体几何基准测试，我们报告以下结果：
| 模型 | SolidGeo MCQ | SpatialViz-Bench | SolidMath | Math3D |
|---|---|---|---|---|
| InternVL3-8B | 36.4 | 32.0 | 42.5 | 43.7 |
| SenseNova-SI-1.3-InternVL3-8B | 36.5 | 29.6 | 39.6 | 40.3 |
| SenseNova-SI-1.5-InternVL3-8B | 63.5 | 33.0 | 72.7 | 68.9 |
SolidMath和Math3D是基于K12题库构建的内部基准测试，包含中文立体几何多项选择题。其中，SolidMath基于域内数据构建，Math3D基于域外数据构建。
我们建议使用 uv 来管理环境。
uv 安装指南：https://docs.astral.sh/uv/getting-started/installation/#installing-uv
git clone git@github.com:OpenSenseNova/SenseNova-SI.git
cd SenseNova-SI/
uv sync --extra cu124 # or one of [cu118|cu121|cu124|cu126|cu128|cu129], depending on your CUDA version
uv sync
source .venv/bin/activate一个简单的无图像测试，用于验证环境设置和模型下载。
python example.py \
--question "Hello" \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B本示例来源于 SITE-Bench：
python example.py \
--image_paths examples/Q1_1.png \
--question "Consider the real-world 3D locations of the objects. Which is closer to the sink, the toilet paper or the towel?\nOptions: \nA. toilet paper\nB. towel\nGive me the answer letter directly. The best answer is:" \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B问：考虑物体在现实世界中的 3D 位置。卫生纸和毛巾，哪个离水槽更近？\n选项：\nA. 卫生纸\nB. 毛巾\n直接给出答案字母。最佳答案是：
|
标准答案：A
本示例来源于 MMSI-Bench：
python example.py \
--image_paths examples/Q2_1.png examples/Q2_2.png \
--question "If the landscape painting is on the east side of the bedroom, where is the window located in the bedroom?\nOptions: A. North side, B. South side, C. West side, D. East side\nAnswer with the option's letter from the given choices directly. Enclose the option's letter within ``." \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B问题：如果山水画在卧室的东侧，那么卧室的窗户位于哪里？\n选项：A. 北侧，B. 南侧，C. 西侧，D. 东侧\n直接使用给定选项中的字母作答。将选项字母用 `` 括起来。
|
|
正确答案：C
本示例展示了模型在立体几何（三视图） 方面的能力：
python example.py \
--image_paths examples/Q3_1.png \
--question "Enclose your thinking process in tags and your final answer in <answer> </answer>" \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B问题：将你的思考过程用 <think> </think> 标签括起来，最终答案用 <answer> </answer> 标签括起来
|
标准答案：D
本示例展示了模型在立体几何（三维图形的展开图） 方面的能力：
python example.py \
--image_paths examples/Q4_1.png \
--question "请将你的思考过程放在标签内，并将你的最终答案放在<answer></answer>标签内。" \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B问题：将你的思考过程用 <think> </think> 标签括起来，最终答案用 <answer> </answer> 标签括起来
|
正确答案：D
本示例展示了模型在立体几何（三视图） 方面的能力：
python example.py \
--image_paths examples/Q5_1.png \
--question "请将你的思考过程放在标签内，并将你的最终答案放在<answer></answer>标签内。" \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B问题：将你的思考过程用 <think> </think> 标签括起来，最终答案用 </answer> </answer> 标签括起来
|
正确答案：B
本示例展示了模型在立体几何（三视图） 方面的能力：
python example.py \
--image_paths examples/Q6_1.png \
--question "请将你的思考过程放在标签内，并将你的最终答案放在<answer></answer>标签内。" \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B问题：将你的思考过程用 <think> </think> 标签括起来，最终答案用 <answer> </answer> 标签括起来
|
正确答案：C
本示例展示了模型在立体几何（三维图形推理） 方面的能力：
python example.py \
--image_paths examples/Q7_1.png \
--question "请将你的思考过程放在标签内，并将你的最终答案放在<answer></answer>标签内。" \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B问题：将你的思考过程用 <think> </think> 标签括起来，最终答案用 <answer> </answer> 标签括起来
|
正确答案：C
本示例展示了模型在立体几何（三视图） 方面的能力：
python example.py \
--image_paths examples/Q8_1.png \
--question "请将你的思考过程放在标签内，并将你的最终答案放在<answer></answer>标签内。" \
--model_path sensenova/SenseNova-SI-1.5-InternVL3-8B问题：请将您的思考过程用 <think> </think> 标签括起来，最终答案用 </answer> </answer> 标签括起来
|
正确答案：A
若要复现上述基准测试结果，请参考 EASI 对 SenseNova-SI 在主流空间智能基准测试上进行评估。
@InProceedings{sensenova-si,
title = {Scaling Spatial Intelligence with Multimodal Foundation Models},
author = {Cai, Zhongang and Wang, Ruisi and Gu, Chenyang and Pu, Fanyi and Xu, Junxiang and Wang, Yubo and Yin, Wanqi and Yang, Zhitao and Wei, Chen and Sun, Qingping and Zhou, Tongxi and Li, Jiaqi and Pang, Hui En and Qian, Oscar and Wei, Yukun and Lin, Zhiqian and Shi, Xuanke and Deng, Kewang and Han, Xiaoyang and Chen, Zukai and Fan, Xiangyu and Deng, Hanming and Lu, Lewei and Pan, Liang and Li, Bo and Liu, Ziwei and Wang, Quan and Lin, Dahua and Yang, Lei},
booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
year = {2026}
}