📰 正文
Cambrian-S 是由 Meta、NYU、Google Brain 与斯坦福学者（包括 Yann LeCun、Li Fei-Fei、Saining Xie 等）联合推出的最新多模态模型， 目标是推动 视频理解进入“空间超感知（Spatial Supersensing）”时代。
这套模型不仅能“看懂”视频，还能精准地推理空间结构、物体布局与运动关系，在“空间推理（spatial reasoning）”维度上显著超越以往的视频 MLLM。
核心创新点
传统的视频模型（如 Video-LLaMA、InternVideo）更多是在“识别发生了什么”； 而 Cambrian-S 想要回答的是：
这个物体在哪里？
它离另一物体多远？
它下一步会去哪里？
这就是论文提出的概念——Spatial Supersensing（空间超感知）。 它不仅关注时间序列的变化，更强调空间几何与动态布局的推理能力。
举个例子： 在人类认知中，我们不仅看到“杯子在桌上”， 我们还能推断“若桌子倾斜，杯子会滑落”。 Cambrian-S 正是在朝这种“空间推理”方向前进。
🧩 关键创新：Predictive Sensing
不同于传统帧级特征融合，Cambrian-S 引入了“未来帧预测机制”： 模型不仅处理当前帧，还根据历史帧预测下一个可能的空间状态。 这种机制让模型在理解“动作趋势”和“空间因果”上表现更接近人类。
数据与基准：VSI 系列体系
Cambrian-S 的性能离不开两个核心数据与评测体系：
📘 VSI-590K：空间理解调优数据集
含 59 万条视频-文本配对；
专注于“空间位置”“相对距离”“遮挡关系”“轨迹预测”等问题；
由 Cambrian 团队自建并开放至 Hugging Face (nyu-visionx/VSI-590K)。
📊 VSI-SUPER：空间超感知评测基准
面向空间推理任务的全新 benchmark；
包含位置问答、动作预测、时空一致性、遮挡恢复等子任务；
用于验证模型是否具备真正的“空间推理”能力。
模型家族与性能表现
Cambrian-S 提供四个不同规模版本，参数从 0.5B 到 7B。
性能概览：
在 通用视频理解基准（Perception Test、EgoSchema） 上与 SOTA 模型持平；
在 空间推理类任务（VSI-SUPER） 上显著领先；
对遮挡、遮蔽、多物体场景的解析能力提升尤为突出。
科学与应用意义
🔬 科学层面
提出“空间超感知”范式，为未来 AI 的物理与空间理解提供新框架；
结合语言模型的语义推理与视觉编码器的几何感知，实现跨模态空间推断；
为机器人、视频分析、AR / VR 提供统一认知基础。
💡 工程与产业层面
可直接应用于自动驾驶、无人机导航、智能监控、工业检测等需要空间感知的任务；
“预测式感知”机制可帮助 AI 在视频生成与未来场景规划中实现更稳定的空间一致性；
开源的 VSI 体系将成为行业级空间理解基准。
项目地址：https://cambrian-mllm.github.io/cambrian-s/
GitHub：https://github.com/cambrian-mllm/cambrian-s
论文：https://arxiv.org/abs/2511.04670