尽管取得了显著进展，多模态基础模型在空间智能方面仍表现出令人意外的不足。在本研究中，我们通过扩展多模态基础模型，致力于在“星环-SI”（SenseNova-SI）系列中培育强大的空间智能能力。该系列建立在已有的多模态基础模型之上，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）。我们采用系统化的方法，通过精心构建一个严格分类的空间能力体系，构建了SenseNova-SI-8M：包含八百万条多样化数据样本的高质量数据集，以支撑高性能且鲁棒的空间智能模型训练。SenseNova-SI在一系列广泛的空间智能基准测试中展现出前所未有的优异表现：在VSI-Bench上达到68.7%，在MMSI上达到43.3%，在MindCube上达到85.6%，在ViewSpatial上达到54.6%，在SITE上达到50.1%；同时在多模态通用理解任务上也保持了强劲性能（例如在MMBench-En上达到84.9%）。更重要的是，我们系统分析了数据规模扩展的影响，探讨了由多样化数据训练所引发的早期涌现式泛化能力迹象，深入研究了过拟合与语言捷径（language shortcuts）的风险，并初步探索了空间链式思维（spatial chain-of-thought reasoning）的潜力，同时验证了其在下游任务中的应用前景。SenseNova-SI项目仍在持续推进中，本报告将不断更新。所有新训练完成的多模态基础模型均将公开发布，以推动该方向的进一步研究。