时间：2026年6月21日
地点：中国北京/美国（CVPR 2026国际计算机视觉与模式识别会议）
人物：字节跳动（ByteDance）Seed团队，联合浙江大学与北京交通大学等高校研究团队
事件详情：2026年6月21日，字节跳动Seed团队宣布其提出的SpatialTree框架被计算机视觉国际顶会CVPR 2026收录。SpatialTree的核心贡献是将多模态大语言模型（MLLM）的空间智能系统性地整理为四级能力链：第一层基础感知（Perception），判断距离、大小、形状、运动、方向和位置；第二层心理地图（Mental Mapping），将空间信息转为语言和语义记忆；第三层心理模拟（Mental Simulation），在行动前进行空间推理和路线规划；第四层空间智能体（Agentic Competence），将感知和推理转为机器人操作等实际行动。团队构建了覆盖27类空间子能力的SpatialTree-Bench评测基准。在SEAL-Bench基准上，SpatialTree得分79.8%，超过GPT-4V的67.4%，领先12.4个百分点。一个10节点树在单颗Intel Xeon上推理延迟仅210毫秒。该项目以Apache 2.0协议开源。
背景：空间理解一直是多模态大模型的短板。当前的主流模型擅长描述二维图像内容，但在精确空间关系判断（如物体间的距离）、三维空间理解等方面能力有限。而机器人抓取、无人驾驶避障、AR/VR场景理解等关键应用都依赖精确的空间感知能力。此前空间智能领域主要由谷歌、Meta等美国公司主导。SpatialTree不是简单做一个新榜单，而是为MLLM的空间能力绘制了一张系统化的路线图，指出空间智能不是单点任务，而是从基础感知到智能体行动逐层递进的结构。实验发现低层空间能力相对独立甚至会互相干扰，但高层推理和行动高度依赖基础能力；空间任务并非想得越久越好，低层感知需要快速判断，高层规划才需要深度推理。
影响：
- SpatialTree为多模态AI的空间智能评测提供了系统化框架，将分散的空间任务整合为四级能力链，有助于行业更加科学地评估和提升模型的真实空间理解水平
- 字节跳动Seed团队的这一成果标志着中国研究团队在大模型空间智能方向进入国际第一梯队，此前该领域主要由谷歌、Meta等美国巨头主导，SpatialTree证明了国内企业的原创研究实力
- SpatialTree的开源（Apache 2.0协议）和轻量化设计（单CPU推理210毫秒）使其具备大规模落地潜力，可为机器人、自动驾驶、AR/VR等空间智能需求场景提供关键技术支撑
总结：字节跳动Seed团队SpatialTree入选CVPR 2026，是多模态大模型空间智能领域的重要突破。SpatialTree通过系统化的四级能力链框架，首次将感知-记忆-推理-行动的空间智能路径清晰描绘出来，并在SEAL-Bench基准上超越GPT-4V超12个百分点。这一成果不仅证明了结构化方法在空间推理上的优势，也为具身智能、机器人操作、无人驾驶等物理世界交互场景提供了关键技术基础。CVPR作为计算机视觉领域顶级会议，SpatialTree的入选意味着该技术路线获得了国际学术圈的权威认可。
参考来源：
- https://news.qq.com/rain/a/20260621A03Q7900
- https://www.163.com/dy/article/L02RH7D505561FZX.html
- https://zhuanlan.zhihu.com/p/2052411886189204975
- https://www.aiddithome.com/p/d7d1c306530fa.html
- https://arxiv.org/abs/2512.20617