点云分割对于机器人视觉感知和环境理解至关重要，能够支持诸如机器人导航和三维重建等应用。然而，处理点云数据的稀疏性和无序性给高效且准确的分割带来了挑战。受Mamba模型在自然语言处理中成功应用的启发，我们提出了一种序列化点云Mamba分割模型（Serialized Point Mamba），该模型利用状态空间模型动态压缩序列，减少内存使用并提高计算效率。Serialized Point Mamba集成了局部-全局建模能力，并具有线性复杂度，实现了在室内和室外数据集上的最先进性能。该方法包括新颖的技术，如分阶段点云序列学习、网格池化和条件位置编码（Conditional Positional Encoding），有助于在各种点云任务中实现有效的分割。我们的方法在Scannet数据集上达到了76.8 mIoU，在S3DIS数据集上达到了70.3 mIoU。在Scannetv2实例分割任务中，记录了40.0 mAP的成绩。此外，该模型还具有最低的延迟和合理的内存使用，使其成为基于Mamba的点语义分割模型中的最新技术（SOTA）。