النماذج الحالية القائمة على الـ Transformer لتحليل السحابة النقطية تعاني من التعقيد التربيعي، مما يؤدي إلى تنازل في دقة السحابة النقطية وخسارة المعلومات. بالمقابل، يتفوق النموذج الجديد المُقترح Mamba، الذي يستند إلى نماذج الفضاء الحالة (SSM)، على الـ Transformer في مجالات متعددة مع وجود تعقيد خطي فقط. ومع ذلك، فإن تبني Mamba بشكل مباشر لا يحقق أداءً مرضيًا في مهام السحابة النقطية. في هذا العمل، نقدم Mamba3D، وهو نموذج فضاء حالة مُعد خصيصًا لتعلم السحابة النقطية لتعزيز استخراج الخصائص المحلية، مما يحقق أداءً أفضل وكفاءة عالية وإمكانات قابلية التوسع. تحديدًا، نقترح كتلة تجميع المعايير المحلية (LNP) بسيطة ولكنها فعّالة لاستخراج الخصائص الهندسية المحلية. بالإضافة إلى ذلك، للحصول على خصائص عالمية أفضل، نقدم سلسلة SSM ثنائية الاتجاه (bi-SSM) تتضمن سلسلة SSM للأمام وسلسلة SSM المُبتكرة للخلف تعمل على القناة الميزانية. تظهر النتائج التجريبية الواسعة أن Mamba3D يتخطى نماذج الـ Transformer المناظرة والWorks المتزامنة في مهام متعددة، سواء مع أو بدون التدريب الأولي. وبشكل لافت للنظر، يحقق Mamba3D عدة أفضليات حالية في الحالة (SoTA)، بما في ذلك دقة إجمالية تبلغ 92.6% (تدريب من الصفر) على مجموعة بيانات ScanObjectNN ودقة تبلغ 95.1% (مع التدريب الأولي الأحادي النمط) على مهمة تصنيف ModelNet40، مع وجود تعقيد خطي فقط. رمز البرمجيات وأوزاننا متاحة على الرابط https://github.com/xhanxu/Mamba3D.