AI 编程实时动态与要闻

针对视觉语言模型（VLM）在空间感知中依赖自回归文本生成导致的高延迟，以及具身 VLA 模型缺乏个性化与物理安全兜底的难题，今日两项重磅开源成果给出解法：MJev-Spatial（arXiv:2610.22276，HF 350 赞登顶）复用骨干 Q/K 投影将空间判断转化为单次前向分类，零新增参数提速 5.6 倍并在 12 项基准斩获 65.64% 第一；港中大贾佳亚团队 CarryOn（arXiv:2610.21453）以规划-执行双环 Harness 将机器人安全违规率从 52.6% 降至 6.1%，故障恢复成功率从 13% 飙至 80%。

查看大图

在多模态大语言模型（MLLMs）中，赋予其精确理解三维物理空间、位姿几何与物体遮挡关系的能力，是迈向物理世界 Agent 与具身机器人的先决条件。当前前沿系统普遍依赖‘空间编码智能体（Spatial Coding Agents）’：通过在推理阶段动态编写并执行 Python 视觉几何代码（如调用 OpenCV、点云分割库与相机投影函数）来辅助空间推理。然而，这种依赖外部解释器与工具链的架构在真实生产中带来了不可接受的推理延迟暴增、复杂沙箱依赖以及频繁的工具调用环境崩溃。在最新发表的研究成果（arXiv:2610.11366）中，研究团队发布了端到端在线自蒸馏框架 SpatialOPSD（开源仓库：github.com/vermouth599/Spatial-OPSD）。SpatialOPSD 创造性地将验证过的空间 Coding Agent 执行轨迹作为‘特权信息（Privileged Information）’，通过策略内自蒸馏（On-Policy Self-Distillation）技术，将高维空间计算能力无损内化进独立的单体 MLLM 中。为了彻底根除自蒸馏过程中特权信息泄露引发的模型重复生成与幻觉，团队设计了‘重复感知蒸馏（Repetition-Aware Distillation）’机制，结合重复掩码与非似然正则化。实测表明，纯端到端免工具的 SpatialOPSD 模型在各类空间理解与几何推理基准上全面超越原生基座，在推理时延降低数倍的同时彻底摆脱了外部代码执行沙箱，代码已开源。

查看大图

在 2026 杭州云栖大会上，高德地图（@Alibaba_Cloud / Amap）正式发布“千舆”空间智能开放平台与全空间无人体系解决方案。该平台将覆盖 8000 万+ POI、500 万公里高精道路与 7500 平方公里 3D 城市模型的时空底座封装为标准化的 Agent 工具集，全面开放 56 项 MCP（Model Context Protocol）能力与 23 项核心 Skill，赋能具身智能机器人、低空无人机与自主物流系统开箱即用。

查看大图