最近，GPT-6 Astra 的三维建模和空间理解演示吸引了广泛关注。该模型能够在Blender中创建带有家具和花园的房屋，并将场景转换到Unreal Engine 5中，用户可以步入房间、打开柜子，甚至操作咖啡机。GPT-6 Astra 具备根据房源的照片生成真实感十足的3D房屋模型。当观察到这些可交互的三维场景时，随之而来的一个问题是：该模型内部是如何表征物体之间的空间关系的？当前的研究者们在多模态模型中发现了一种类似空间地图的结构。MirroS团队对多个多模态模型的中间激活进行分析后发现，该模型将物体在空间上的左右、上下以及远近位置编码到一个稳定的低维表示空间中，因此他们称之为S-Space（空间工作区）。更有趣的是，这张「内在地图」不仅限于仅被摄像头捕捉的物体。模型可以根据守门员扑救的方向推测出画外的足球位置；观察者本人在这个空间内也会被标识在距离轴的近侧；类似「socialist」这样的抽象概念，可能因为与「政治左翼」相关的语言信息，被放置在S-Space的左侧。尽管如此，研究同时揭示了空间推理中的两个薄弱环节：模型有时会混淆不同的坐标系统，比如把图像中的「右」误读为基本方位的「东」，这就是用错了参照系；此外，模型在旋转坐标系时的准确性也并不总是可靠，即使内部存储了物体位置，换个视角后仍可能错误判断它们的相对关系。换句话说，模型已有的空间表征尚未被可靠地应用于实际的场景判断。

不久前，Anthropic 在其Claude系统中发现了J-space，它就像一个安静的「语言工作区」，允许模型将未表达的概念暂时存放以备后续推理和控制使用。而S-Space则探讨了另外一个问题：当模型观察现实世界时，是否也能构建一个供后续计算的空间工作区？这里的「空间工作区」亦即一种将物体与其空间位置进行绑定的表述，能够被感知、推理和输出等多个过程一同使用。

仅从输出结果是难以回答这一问题的。一个模型说「杯子在书的左边」，可能是因为它确实建立了场景坐标，也可能仅仅是识别到了某种局部图像特征。因此，研究者的重点转向了模型的中间层。他们假设，在物体名称所对应的token的隐藏状态中，线性编码着物体在空间坐标系中的具体位置。 S-Space由水平、垂直和距离三个方向构成：在相应方向读取物体表征，即可获取其在允许的空间轴上的连续坐标。实验结果显示，从S-Space中获得的数值与物体的真实空间坐标之间存在显著相关性。实际上，我们甚至可以跳过模型原先的语言推理过程，仅需比较两个物体在S-Space中的坐标差异，就能在CV-Bench、EmbSpatial-Bench和SpatialTunnel等平台上直接完成空间问答。

更为重要的是，这种空间结构展现出了跨数据集和跨提示的稳定性。S-Space能够推广到未曾使用的数据分布中；即便问题形式转变为询问物体的颜色，依旧能从同一套坐标轴获取其空间位置。这表明，S-Space是一种持久存在的内部结构，而非仅由特定空间问题瞬间诱导而来的表征。更进一步，尽管S-Space完全基于单视图样本提取，但在多视图输入中依然能够生成有意义的坐标。当提示指定为「视图1」时，只需交换所称为视图1的图片，获得的坐标也会随之调整到相应的视角。这说明，S-Space不仅持久存在，还可以根据语言的动态指令锚定于特定视角，内部坐标的变化会直接影响模型的输出。

然而，能够从内部表征中读取空间信息，并不等同于模型真的依赖这些信息进行判断。S-Space有可能仅仅是一个精确记录空间状态的「记分牌」，它准确地显示比分，却并不直接参与比赛。为检验这一点，研究者直接操纵物体在S-Space中的位置。例如，在不改变原始图像和问题的情况下，将两个物体在S-Space中的位置互换后，模型在后续计算中的空间输出产生了变化：左变为右，上变为下，近变为远。与此同时，物体颜色等与空间无关的判断几乎不受影响。

这一实验结果表明，通过干预 S-Space，模型的空间判断相应地发生了改变。这意味着S-Space不仅可供外部工具解码，更是在因果关系上参与了模型的空间判断。模型内部确实存在一个既可被读取，又可被写入甚至操控的空间工作区。空间语义之间的耦合关系，导致模型出现了坐标系使用错误的情况。