大模型脑中藏三维地图，为何不会用？

多模态模型的空间推理存在一种反直觉现象：它能识别图像内容、回答简单方位问题，却在视角转换、方位判断和前后关系推理时失灵。过去这被归因于“空间能力不足”，但MirroS发布的S-Space研究给出了更精细的解释：模型内部可能已形成相当准确的空间地图，真正的短板在于稳定读取、变换和使用这张地图的能力。

S-Space是模型隐藏状态中的三维空间工作区，物体位置沿水平、垂直、距离三个方向连续编码。研究者能从模型中间层读出物体坐标，也能改写这些坐标，并观察到模型的空间判断随之改变。这意味着空间智能不再只是输出层的行为，而成为可观测、可诊断、可接入外部计算系统的内部结构。

研究将空间推理拆分为感知与操作两层。在简单空间关系任务中，仅从中间层读出坐标并比较差值，即可在CV-Bench、EmbSpatial-Bench等评测中稳定作答，说明模型内部存储的是连续坐标而非离散标签。真正的难点在视角转换。以Qwen3.6-27B为例，直接回答准确率为60.96%，加入思维链后升至83.56%，而从S-Space读出坐标、由外部程序执行固定旋转并用确定性规则作答，准确率达95.21%。思维链并非无效，但模型在推理中虽尝试“转动”内部地图，这种转动不够稳定精确，仍会出错。

S-Space不仅能读，还能改写。修改物体token的坐标后，模型的空间判断随之改变，而颜色等非空间判断基本不受影响，证明该空间是参与判断的内部变量。此外，这张地图是动态工作区，会随提示、视角和上下文变化，甚至能补全画面外的空间，如预判未出现的球的位置或不可见主人的方位。但开放性也带来串线：模型会将“socialist”靠近水平轴左端、“conservative”靠近右端，或将图像右方直接映射为“east”，在参照系重新定义时可能成为错误来源。

关于S-Space的来源，语言预训练是重要基础，但语言信号粗糙且易混入隐喻和参照系歧义。行动监督则提供不同反馈：比较Molmo2-ER与其行动模型MolmoAct2发现，后者S-Space中物体与功能部件的深度关系更贴近真实物理关系，说明行动学习会反向校准内部空间工作区。

S-Space的核心价值在于提供新的系统分工方式：多模态模型负责形成空间表征，外部模块负责可靠计算与行动，中间通过可读写的空间接口连接。这为机器人、AR和自动化Agent提供了排查路径——区分感知错误、坐标错误、旋转错误或参照系混乱，并对应不同修正方案。空间智能的下一步，关键不是让模型更大或回答更长，而是将机制分析变成可用基础设施，把内部地图稳定转化为推理和行动能力。