Malgré les progrès remarquables réalisés, les modèles fondamentaux multimodaux présentent encore des déficiences surprenantes en matière d’intelligence spatiale. Dans ce travail, nous explorons l’augmentation à grande échelle des modèles fondamentaux multimodaux afin de développer une intelligence spatiale au sein de la famille SenseNova-SI, fondée sur des architectures multimodales établies, notamment des modèles de compréhension visuelle (tels que Qwen3-VL et InternVL3) et des modèles unifiés de compréhension et de génération (tels que Bagel). Nous adoptons une approche rigoureuse pour construire un modèle performant et robuste en intelligence spatiale, en curant systématiquement SenseNova-SI-8M : huit millions d’échantillons de données diversifiés, organisés selon une taxonomie rigoureuse des capacités spatiales. SenseNova-SI atteint des performances sans précédent sur une large gamme de benchmarks d’intelligence spatiale : 68,7 % sur VSI-Bench, 43,3 % sur MMSI, 85,6 % sur MindCube, 54,6 % sur ViewSpatial et 50,1 % sur SITE, tout en maintenant une excellente compréhension multimodale générale (par exemple, 84,9 % sur MMBench-En). Plus important encore, nous analysons l’impact de l’augmentation des données, discutons des premiers signes d’émergence de capacités de généralisation grâce à l’entraînement sur des données diversifiées, examinons le risque de surajustement et des raccourcis linguistiques, présentons une étude préliminaire sur le raisonnement en chaîne spatiale (spatial chain-of-thought), et validons le potentiel d’applications futures. SenseNova-SI est un projet en cours, et ce rapport sera régulièrement mis à jour. Tous les nouveaux modèles fondamentaux multimodaux entraînés seront publiés librement afin de favoriser la recherche ultérieure dans cette direction.