想象一下，你正在看一张凌乱客厅的照片。在你的眼中，它只是一张由颜色和形状组成的平面图像。但对于试图理解世界的计算机来说，这张图像是一个谜题。它需要弄清楚沙发离多远，相机是在什么位置拍摄这张照片的，以及当你绕着物体走动时，物体会如何移动。这个科学领域被称为“空间感知”（spatial perception），它是让机器人能够优雅地在房间中穿行，而不是撞到墙壁的关键。长期以来，科学家们将这个谜题的不同部分视为独立的任务。一组团队构建了擅长测量距离的机器人（几何学），而另一组团队则构建了擅长回答诸如“灯左边是什么？”这类问题的模型（推理）。但就像人类的大脑并没有互不沟通的独立“距离”和“逻辑”中心一样，这些计算机模型也错失了相互学习的机会。

SPARGen 应运而生，这是一种尝试教导单个计算机模型同时完成所有任务的新方法。把它想象成一位天才艺术家，他不仅能画出一幅画，还能为画作编写故事，并计算出如果重力改变，画中的物体会如何坠落。SPARGen 并不使用不同的工具来测量深度、追踪运动或回答问题，而是使用一个统一的“大脑”，通过学习同时生成所有这些答案。它不把世界视为一系列独立任务的集合，而是将其视为一个单一且连贯的故事，其中几何与语言只是描述同一场景的不同方式。

问题所在：“专家型”瓶颈

多年来，教导计算机了解空间性的标准方法是为每一项工作雇佣一名“专家”。如果你想知道场景有多深，你就去问一个深度测量模型；如果你想知道相机在哪里，你就去问一个姿态估计模型；如果你想知道沙发后面有什么，你就去问一个语言模型。

这种方法的缺陷在于，这些专家很少互相交流。知道房间深度的模型并不一定能帮助试图回答关于房间问题的模型。这就像有一位厨师精于切菜，却从未见过制作面包的面包师；他们无法协作来烹饪出一顿完美的佳肴。此外，许多此类模型依赖于额外且笨重的插件来进行数学运算，这使得它们变得缓慢且复杂。

解决方案：“全能讲述者”

SPARGen 通过扮演一个原生多模态生成器（native multimodal generator）改变了游戏规则。它不再是专家，而是一个能流利使用两种语言的通才：图像和文本。

这里有一个神奇的技巧：SPARGen 将一切都视为一种“生成”任务。

1. 针对“图像”类任务： 当它需要确定深度、点云（3D 点阵图）或光流（像素在帧间如何移动）时，它会“生成”一张新图像。它不仅仅是计算一个数字，而是绘制一幅画，通过像素的亮度来告诉你物体有多远。
2. 针对“文本”类任务： 当它需要回答诸如“白色桌子右边是什么？”之类的问题时，它会像聊天机器人一样生成一段文字序列。

论文称其为**混合专家转换器（Mixture-of-Transformer-Experts, MoT）**骨干网络。想象一个巨大的图书馆，不同的“专家”（专门的 AI 大脑）居住在同一栋建筑里。一位专家擅长阅读文本，另一位擅长理解图像，还有一位擅长数学。SPARGen 让这些专家坐在同一张桌子旁进行交谈。当你提出问题时，他们都会贡献自己的知识参与对话，而不是孤立工作。

工作原理：双轨系统

SPARGen 构建在名为 Bagel 的基础之上，这是一个已经擅长理解图像和文本的模型。研究人员对其进行了升级，使其能够在不添加任何新的、奇怪的硬件或单独数学模块的情况下处理“空间”相关事务。

• 文本轨（自回归路径）： 当模型需要给出结构化答案（例如相机的旋转和距离，或一段描述房间的句子）时，它会逐词（或逐标记/token）进行书写。这就像一名打字员，利用前文的语境来决定下一个字符，逐个字符地敲出句子。
• 图像轨（整流流路径）： 当模型需要输出稠密图（例如每一像素的完整深度图）时，它使用了一种称为**整流流（rectified flow）**的技术。可以将这想象成雕塑家从一块噪声（静电干扰）开始，慢慢将其雕刻成清晰的形状。模型从一张模糊、随机的图像开始，在指令的引导下，“流动”成精确的深度图或点云。

这个系统的妙处在于，它不需要被告知“现在做数学”或“现在做语言”。它只需观察指令（例如“估计深度”或“右边是什么？”），便知道该使用哪条“轨道”来生成答案。

研究发现：一模胜全局

研究人员在广泛的任务上测试了 SPARGen，从测量房间深度，到计算汽车在视频中的运动，再到回答复杂的空间问题。

结果如下：

• 它是一个杂耍高手： SPARGen 仅凭一个模型就能在所有这些不同任务上表现出竞争力。它不需要单独的“深度模型”或“光流模型”。
• 击败专家： 在许多基准测试中，SPARGen 的表现与那些专为单一任务设计的模型不相上下，甚至更优。例如，在 KITTI 数据集（衡量模型追踪汽车视角运动能力的标准测试）上，SPARGen 实现了 4.09 的**终点误差（EPE）**和 13.34 的 F1-all 分数，击败了像 RAFT (5.03 EPE) 和 FlowFormer (4.10 EPE) 这样的专业化模型。
• 推理之王： 在空间推理领域（回答诸如“如果我站在这里，我的右边是什么？”之类的问题），SPARGen 碾压了竞争对手。在 SPAR 基准测试中，它的平均得分达到了 79.25，显著优于其他开源模型如 Qwen2.5-VL-72B (44.80)，甚至超过了闭源巨头 GPT-4o (43.27)。
• 融合的力量： 论文指出，这些任务实际上是相辅相成的。当研究人员移除“几何”训练（即关于 3D 形状的教学）时，模型的问答能力下降了；而当移除“推理”训练时，模型对 3D 形状的理解能力也略有下降。这表明，学习以 3D 方式观察世界有助于模型理解语言，而学习语言也有助于其理解 3D 空间。

局限性：它尚未完美

尽管研究结果令人印象深刻，但作者也谨慎地指出了一项局限性。由于 SPARGen 使用 VAE（变分自编码器） 来压缩和生成图像，它必须将 3D 世界压缩进一个较小的格式中。这种压缩有时会模糊物体的锐利边缘，或者难以获得极其精确的物理测量值（例如“这张桌子距离正好是 1.23 米”）。它非常擅长理解结构和布局，但在需要毫米级精度的木匠面前，它可能不是最佳工具。

大局观

SPARGen 表明，我们不需要为每一个空间任务都构建一个不同的机器人大脑。相反，我们可以构建一个灵活的、生成式的智能大脑，让它在“想象”世界几何结构的同时，也能同时用语言进行“表达”。通过统一这些能力，该模型获得了一种更丰富、更一致的空间理解，证明了通往真正空间智能的路径，或许在于停止将数学与意义割裂开来。