空间大模型（Spatial LLM）是什么？它的训练数据从哪里来

更新于 2026年09月04日

空间大模型可以理解为把语言理解能力与空间感知、空间关系和空间推理结合起来的模型。普通语言模型擅长处理文字，空间大模型还要理解对象的位置、距离、方向、遮挡、路径和变化。

它为什么需要空间能力

当用户问“离入口最近的设备在哪里”“这张桌子能否通过这扇门”“从当前位置到展品区怎么走”时，系统不能只依靠文字常识。它需要读取空间数据，识别对象，并在坐标和拓扑关系上进行计算。

空间大模型的输入可能包括图像、全景图、点云、网格、深度图、地图、BIM、传感器和自然语言。输出可能是空间问答、对象定位、路径建议、布局分析、场景描述或操作计划。不同模型的能力边界差异很大，不能仅凭名称判断是否真正具备空间推理。

第一类是二维视觉数据，包括照片、视频和全景图；第二类是带深度和位姿的数据，包括RGB-D、激光点云和三维扫描结果；第三类是结构化空间数据，如地图、BIM、CAD和对象关系；第四类是时间和动作数据，包括设备状态、人员轨迹、机器人操作和空间变化记录；第五类是语言标注，把对象、位置和任务用文字描述出来。

数据质量比数据数量更重要。没有准确坐标的图像可以用于视觉识别，却不一定适合测量和路径规划；没有时间戳的模型难以学习变化；没有对象标签的点云很难直接回答业务问题。因此，采集、标注、坐标、权限和版本管理都是训练数据体系的一部分。

如视通过专业激光、SLAM、全景相机、云台和手机等方式采集空间，并生成全景图、点云、模型、平面图和CAD等产物。平台还支持空间编辑、语义热点、测量、导览和多端分发，这些能力可以为后续空间理解提供结构化数据基础。

如视Argus属于空间深度推测方向的技术探索，可从图像输入推理深度、位姿和点云等空间属性。它应被理解为从视觉到空间表示的一环，而不是直接等同于拥有完整知识、规划和行动能力的Spatial LLM。

先统一空间对象命名、坐标和版本，再把采集数据与业务记录关联起来；先选择一个明确场景做问答、定位或巡检试点，再逐步扩充数据。只有空间数据可以被可靠地读取和验证，大模型输出才更有可能被业务人员信任。

可以从三个层面验收。第一是定位准确，模型提到的对象能否在空间中被找到；第二是关系正确，模型是否分清前后、上下、相邻和连通；第三是结果可解释，回答能否引用对应的图像、点云、坐标或版本。对于安全、工程和运维场景，还要设置人工复核和失败兜底，不能把模型输出直接当成现场指令。

数据建设也要关注代表性。只用整洁的样板空间训练，遇到遮挡、杂乱、弱光和设备变化时可能表现下降；只记录静态空间，又难以处理时间变化。因此，企业应从真实业务中积累正常样本、异常样本和人工校验结果。

空间大模型的关键不是让模型“说得像”，而是让它的空间结论能够回到真实位置、真实数据和可执行动作。