近年来，随着多模态大模型在图像、视频理解任务中不断取得进展，一个根本性问题逐渐浮出水面：当前主流模型在处理长时序、连续的视觉输入时，表现严重退化。谢赛宁团队在2025年11月发表的论文《Cambrian-S: Towards Spatial Supersensing in Video》中，联合杨立昆、李飞飞等学者，系统性地指出，当前多模态大语言模型（MLLMs）在真正意义上的“空间感知”上存在系统性缺陷，其根源不在于算力或参数规模，而在于范式本身的局限。 团队提出“空间超感知”（Spatial Supersensing）新范式，将多模态智能划分为四个演进层级：从纯语言理解，到语义感知，再到流式事件认知，最终抵达以“预测性世界建模”为核心的第四层。当前大多数模型仅停留在前两层，少数触及第三层，而第四层——即通过预测未来状态来实现高效感知——几乎完全缺失。 为验证这一判断，研究团队构建了全新的基准测试VSI-SUPER，包含“长时域视觉空间回忆”（VSR）和“持续视觉空间计数”（VSC）两个任务，均使用长达数小时的视频数据。测试结果令人震惊：即便标榜“长上下文”的商业模型如Gemini-Live和GPT-Realtime，在10分钟视频上的平均准确率不足15%，120分钟时几乎完全失效。这表明，仅靠扩大上下文窗口，并不能解决真实世界中持续感知的挑战。 问题的症结在于，现有模型缺乏对空间动态的深层建模能力。为此，团队开发了VSI-590K数据集，涵盖59万条高质量视频指令样本，通过自动化流程结合GroundingDINO、SAM2和VGGT等工具，生成结构化、几何相关的问答对。基于此，他们训练出Cambrian-S系列模型，参数量从0.5B到7B不等，采用四阶段训练策略，逐步提升空间理解能力。 实验显示，Cambrian-S-7B在VSI-Bench上达到67.5%的准确率，显著超越开源与商业基线，包括InternVL3.5-8B、Qwen-VL-2.5-7B和Gemini-2.5-Pro。更关键的是，当引入“预测性感知”机制后，模型性能出现质的飞跃。该机制在推理时预测下一帧的潜在表征，以预测误差作为“惊奇度”指标：低惊奇度的帧被压缩存储，高惊奇度的帧则被重点保留。这模拟了人脑“关注意外”的认知机制，使模型能以有限记忆处理无限流。 在VSC任务中，模型通过“事件缓冲区”与惊奇度检测，自动分割连续视频为语义事件单元，实现高效记忆管理。在120分钟视频上，Cambrian-S仍保持约28%的准确率，而其他模型已基本失效。同时，其GPU内存使用量稳定，未随视频长度增长而激增。 尽管如此，研究团队强调，这仍是一次初步探索。VSI-SUPER基准、数据集和模型均需进一步扩展，预测机制也需深化。未来工作将聚焦于更复杂、具身化的场景，推动预测性感知与多模态建模的深度融合。 归根结底，大模型在长视频任务中的“失明”，并非因“记不住”，而是“不会看”。真正的智能，不在于记忆的广度，而在于对世界的主动理解与预测。而这一转变，或许正是通往真正具身智能的关键一步。相关代码、模型与数据已全面开源，为后续研究提供坚实基础。