Meta公司与香港中文大学合作，近日推出Multi-SpatialMLLM模型，通过整合深度感知、视觉对应和动态感知三大组件，显著提升了多模态大语言模型（MLLMs）的空间理解能力。该模型依托超过2700万样本的MultiSPA数据集，涵盖多样化的3D和4D场景，并利用GPT-4o生成任务模板，有效解决了传统模型在动态信息处理上的局限。

测试数据显示，Multi-SpatialMLLM在MultiSPA基准测试中性能平均提升36%，部分任务准确率达80-90%。此外，在BLINK基准测试中，其准确率接近90%，远超专有系统。该模型在提升空间推理能力的同时，保持了原有视觉问答任务的性能，展现出强大的通用性。