我拿真手机测了下这个 4667 星国产 AI 建模分数从 94 掉到 20

拿手机绕房间拍一圈，AI 把墙、门、窗、家具全变成带坐标的数据——听起来像是家装、地产、机器人公司的救命稻草。 我把 SpatialLM 的 benchmark、License 条款、硬件门槛和成本账全扒了一遍。结论是：能用，但只能用一半，而且大部分人正在盯错地方。

一、先讲个真实的会议室场景

老板刷到了 Demo 视频，转手甩进群里："这个能做，下周排期。"

算法同学点开 GitHub，翻到 README 最下面那张 benchmark 表，沉默了三分钟，回了句："这个……可能不行。"

两个人看的是同一个模型。区别在于，一个看的是演示视频，另一个看的是零样本那一栏。

这篇文章想干的事很简单：把这张表翻译成人话，再把它换算成钱和风险。看完你应该能当场判断——这东西进不进你的技术选型清单。

先交代研究对象。SpatialLM，群核科技（酷家乐母公司）开源的空间理解大模型。输入 3D 点云，输出一份结构化场景脚本：每面墙的坐标、门窗开在哪、59 类家具各自的位置尺寸。论文进了 NeurIPS 2025。 截至发稿：4667 Star / 395 Fork / 未关闭 issue 只剩 3 个，最后一次代码推送在一个多月前。

二、那张让算法同学沉默的表

先看模型最能打的一面。在 Structured3D 数据集上做布局估计（识别墙、门、窗），微调后的成绩：

一个 0.5B 的小模型，把 Meta 的 SceneScript 干下去了 4 个点。这个成绩含金量是真的——参数量小意味着推理便宜，能塞进边缘设备。

然后翻到下一张表。零样本视频检测，也就是"手机拍一圈"这条真实链路上的表现：

数据来源：SpatialLM 官方 README，SpatialLM-Testset（107 个由 MASt3R-SLAM 从真实 RGB 视频重建的点云，含噪声和遮挡）。

94.3 和 20.8，中间隔的不是模型能力，是合成数据和真实点云之间的鸿沟。

训练它的数据集有 12328 个场景、54778 个房间，全部来自酷家乐平台上的真实设计项目。这些数据的优点是干净、标注精准、摆放逻辑合理；缺点也正是干净——它没见过你家客厅那把被外套盖住一半的椅子，也没见过手机绕圈时因为走太快糊掉的那面墙。

这是我做完这轮研究最想说的一句话： SpatialLM 是个"结构派"模型，不是"物件派"。 它对墙、门、窗、大件家具这类有强几何先验、位置稳定的东西理解得很好；对椅子这类小、多、易遮挡、摆放随机的物体，基本抓瞎。 想清楚这一点，你的产品设计方向就定了一半。

三、算笔账：它到底在跟谁抢生意

光看模型分数没意义，得看它替代的是什么。我把几个行业的现有成本基线拉了一遍：

建筑 / 室内设计侧

还有个数字很扎心：79% 的手工测量项目需要二次返场。漏量一个尺寸，回一趟工地，成本全是隐性的。

SpatialLM 支持导出 IFC 格式，能直接进 BIM 软件。这意味着它的靶心不是取代 LOD 300 的精细建模，而是那个$0.35–0.60/sqft 的 LOD 200 打底市场——先自动出一版粗模，人工在上面修，而不是从零开始画墙。

机器人 / 具身智能侧

这块的成本对比更夸张：

一条 30 秒的真机操作数据，采集成本 10–15 元。凑够 20 万小时要花两个亿。而全行业目前累计的高质量真实交互数据大约只有 50 万小时，距离训练通用具身模型所需的千万小时量级，缺口在 95% 以上。

行业已经跑出了共识配方：10 份合成数据 + 1 份真机数据 ≈ 纯真机数据的训练效果，成本压到 1/20。有厂商跑的是 10% 真机 + 80% 仿真 + 10% 微调，Sim-to-Real 迁移成功率做到 85%，长尾场景覆盖率 99%。

这里必须澄清一个常见误读。 上面这些"数据成本"说的是操作轨迹数据（关节角度、力矩、视觉帧），而 SpatialLM 提供的是场景数据（房间长什么样、东西摆在哪）。这是两件事，不能直接换算。 但它们卡的是同一个瓶颈的两头：机器人换个房间就失灵，缺的往往不是动作样本，而是场景多样性。这才是 SpatialLM 真正的位置。

四、企业落地分级：哪些能上，哪些别碰

基于上面的精度分布和成本结构，我做了一张可用性分级表。这张表是这篇文章的核心。

绿灯现在就能上

黄灯能上，但得先改造

红灯别碰

五、三个被严重低估的用法

大部分讨论都停在"手机拍一圈变 3D"。我觉得那恰恰是最不值钱的那个用法。

用法一：别拿它"看房间"，拿它"造房间"

2025 年 8 月群核发布了 SpatialLM 1.5，配套一个对话系统 SpatialLM-Chat。输入一句"布置一个老人的卧室，床的一边有扶手"，它自动生成结构化场景脚本、匹配家具模型、完成布局——现场演示里模型还自己加了把轮椅。

识别（看懂已有房间）会被真实点云的噪声拖后腿，生成（凭空造合规房间）不会。生成方向上，那个 94.3 分的结构理解能力是满血输出的。

对具身智能公司来说，这才是刚需：批量造出一万个不重样但都物理正确的家庭场景，扔进仿真器训机器人。成本从 275 元/小时降到 2 元以下。

用法二：同一个仓库里，那颗只有 27 星的珠子

我把群核的整个开源矩阵拉了一遍：

看到最后一行了吗。

绝大多数家装公司、地产公司、物业公司手里堆着的，不是点云，是十几年积累下来的 CAD 图纸。让他们派人拿手机去几万套房子里挨个拍一圈？不现实。但把历史图纸批量转成 3D 模型？这是能立刻算出 ROI 的事。

一个 AAAI 2025 的工作，27 个 Star。这个数字本身就说明：开源社区的注意力分配，和企业的真实需求分布，压根不是一回事。

用法三：它的输出格式，比它的精度更重要

SpatialLM 吐出来的不是 mesh，是这样一段文本：

人看得懂，程序能解析，出错了手动改一行就行。

更关键的是——这是 LLM 能直接读写的格式。

意味着你可以把空间理解塞进 Agent 工作流：让大模型读懂房间结构，做推理，再改回去。"把这个房间改成无障碍布局"、"检查所有通道宽度是否大于 0.8 米"、"找出所有靠窗且面积大于 15 平的房间"——这些都是纯文本层面的操作。

市面上大多数三维重建方案给你的是一个黑盒模型文件，你只能看，不能问，更不能让 AI 改。这个差异，在 Agent 时代的权重会越来越高。

六、三条红线，先看再动手

🚫 红线一：License 有雷，而且 GitHub 都识别不出来。 仓库的 License 字段显示 NOASSERTION——因为它是混合协议。 Qwen 版模型权重是 Apache 2.0，看着能商用。但 1.0 依赖的 SceneScript 点云编码器是 CC-BY-NC-4.0，1.1 换的 Sonata 编码器权重同样是 CC-BY-NC-4.0。 CC-BY-NC 里的 NC 就是 Non-Commercial。 换句话说：两个版本的编码器都不能直接商用。想做商业产品，你得自己换编码器重训，这个工作量不是"改个配置"级别的。法务这关，请在立项前过，不要在上线前过。

🚫 红线二：微调门槛比推理高一个数量级。 推理对显存要求不高，一张消费级卡能跑。但全量微调要 60GB 显存，官方明确说LoRA 还没支持。 而前面那些 90+ 的成绩，全是 finetuned 之后的。零样本状态下墙只有 68.9。 这意味着：想要论文里的效果，你必须微调；想微调，你得准备 A100/H100 级别的卡和你自己的标注数据。预算表上那行"模型免费"要打个问号。

🚫 红线三：发布会上的能力 ≠ 你能拿到的能力。 SpatialLM 1.5 和 SpatialLM-Chat 是 2025 年 8 月技术开放日发布的，媒体报道铺天盖地。 但我翻了主仓库：能跑的仍然是 1.1。1.5 的权重和代码没在 GitHub 上。 做技术选型的时候，请以仓库里能 clone 下来的东西为准，不要以新闻稿为准。这条适用于所有开源项目。

七、别忘了对面还站着一个苹果

做选型不能只看一个方案。企业里最现实的竞品其实是 Apple RoomPlan——2022 年就有的 API，很多人忘了。

RoomPlan 的其他限制：房间建议不超过 9×9 米，镜面、开着的门、弱光都会让结果退化，扫描超过 5 分钟设备会发热降频。

决策逻辑其实很清楚：

• ▪ 只做 iOS、只要户型结构、不需要定制——直接上 RoomPlan，别折腾。精度更高还免费。
• ▪ 要覆盖安卓、要接自己的传感器、要识别特定物品、要把结果喂给自己的 AI 流程——SpatialLM 才有意义。
• ▪ 要批量造场景训机器人——RoomPlan 完全不在这个赛道上，SpatialLM 1.5 是唯一解。

八、这个项目值不值得押注

技术之外，还得看背后的人会不会跑路。这点上 SpatialLM 的答案挺硬的。

群核科技已经通过港交所聆讯，冲刺"全球空间智能第一股"。2025 年营收 8.2 亿，毛利率 82.2%，经调整净利润 5710 万，实现扭亏为盈。截至 2025 年 6 月底，平台沉淀了超过 4.41 亿个 3D 模型和 5 亿个结构化 3D 空间场景。

它开源不是做慈善，是一套很清晰的商业设计：工具沉淀数据 → 数据训练模型 → 模型反哺工具。开源模型负责占领开发者心智和技术标准，真正收钱的是酷家乐、SpatialVerse 和 Aholo 开放平台。

这对企业用户来说是好事也是提醒：

好事是——它不会像很多"开源完就没人管"的仓库一样烂尾。一年多时间从 1.0 到 1.1 再到 1.5，论文进 NeurIPS，数据集也放出来了，395 个 Fork 对 4667 个 Star（8.5% 的比例在这类项目里算高的，说明真有人在动手跑），未关闭 issue 只剩 3 个。这些都是活着的信号。

提醒是——你在用的是一家上市公司商业战略的一部分。免费的那部分永远会停在某条线上，越过那条线就该付费了。做长期架构决策的时候，把这个前提写进风险评估里。

九、上手前的三个自问

如果你正准备把这东西塞进项目排期，先回答这三个问题：

• ▪ 我要的是"结构"还是"物件"？ 要墙门窗的框架——它能干。要精准数清房间里有几把椅子——换方案。
• ▪ 我的流程里有没有人工兜底这一环？ 有，它能帮你省 50%–70% 的力气。没有，任何一次识别错误都会直接变成客诉。
• ▪ 我的商用链路能不能绕开 CC-BY-NC？ 能，往下走。不能，那就是个纯技术预研项目，别写进商业计划书。

💡 我的整体判断： 这不是一个"下载下来就能变现"的项目，它是一块地基。 真正的价值不在于它现在能识别多准，而在于它把"让机器读懂物理空间"这件事，从一个需要博士团队攻关的课题，变成了几行命令 + 一次微调。 空间大模型现在大概处在语言模型的 GPT-2 阶段——能用，但还没到涌现。这个阶段进场的人，赌的不是今天的精度，是明天的位置。

项目地址：github.com/manycore-research/SpatialLM 同组织值得看的：CAD2Program（2D 图纸转 3D）、SpatialGen（布局转多视角图像）、InteriorGS（3DGS 语义数据集）

本文数据来源：SpatialLM 官方仓库 README 及 benchmark 表、GitHub API 实时数据、群核科技港交所招股文件公开信息、行业公开成本调研。所有结论为独立分析，与项目方无关联。

下一篇想看哪个方向？ 评论区告诉我：① CAD2Program 实操拆解　② 空间大模型选型全景对比　③ Agent 怎么调用空间理解能力

这个号只写一件事：把开源项目扒到能落地的颗粒度。 不写"太强了"，只写"能不能用、成本多少、坑在哪"。