我们主张，实现真正的多模态智能进步，需要从依赖任务驱动的反应式系统以及盲目堆砌长上下文的策略，转向一种更广泛的“超感知”范式。我们将空间超感知（spatial supersensing）定义为超越纯语言理解的四个阶段：语义感知（识别所见内容）、流式事件认知（在连续体验中保持记忆）、隐式三维空间认知（从像素背后推断世界结构）以及预测性世界建模（构建内部模型以过滤和组织信息）。当前的评估基准大多仅测试前两个阶段，对空间认知的覆盖范围狭窄，且极少设计能够真正检验模型世界建模能力的挑战性任务。为推动空间超感知的发展，我们提出VSI-SUPER，一个由两部分组成的基准测试：VSR（长时程视觉空间回忆）和VSC（持续性视觉空间计数）。这两项任务要求模型处理任意长度的视频输入，同时对暴力扩展上下文的策略具有强鲁棒性。我们通过构建VSI-590K数据集并训练Cambrian-S模型，验证了数据规模的极限，结果在VSI-Bench上实现了超过30%的绝对性能提升，同时未损害模型的通用能力。然而，模型在VSI-SUPER上的表现仍受限，表明仅靠规模扩张不足以实现空间超感知。为此，我们提出“预测性感知”作为前进路径，并展示了一个概念验证：一个自监督的下一潜在帧预测器，通过利用“意外性”（即预测误差）来驱动记忆形成与事件分割。在VSI-SUPER上，该方法显著优于当前主流的专有基线模型，表明真正实现空间超感知，需要模型不仅“看见”，更需具备“预见、选择与组织”经验的能力。