2026-10-13 · R2 · 中午棒 arXiv: https://arxiv.org/abs/2610.13527 video-kb 脚本原路径: /shared/video-kb/scripts/tom/2026-10-13_R2_s-space-spatial-workspace-mllm-mechanistic-interpretability_short-video-script.md

1. 标题与观众

  • 标题:三维可读出来
  • 目标观众:多模态 AI 研究工程师(在 MLLM 上做 probing / causal intervention / mechanistic interpretability 工作)/ 模型可解释性方向技术产品经理
  • 一句话核心观点:S-Space 在 MLLM 中找到三维线性子空间,把「perception OK, transformation 卡死」二分定位,但 abstract 未报模型数 / 数据集 / 复现 / intervention leakage / 仓库链接,工程落地务必先 PDF 二次核验。

3. 45-90 秒口播稿

多模态大模型看得见物体,却跨不了视角 —— 这事你做 spatial reasoning benchmark 一定撞到过。

arXiv 2610.13527,标题是 Exploring Spatial Workspace in Multimodal Language Models,2026 年 10 月 9 日落地,11 作者协作,推断是清华深研院和 mirros.ai 联合,Jialong Wu 通讯。

它找到的东西叫 S-Space,一个三维线性子空间。horizontal、vertical、distance 三轴编码 object token 的连续坐标。怎么找的?用 spatial-answer 分数对 object-token 激活求导,做 probing via contrastive example。关键是 —— 在非空间问题下 S-Space 仍然可读,说明它不是 prompt-following artifact,而是模型里头的 intrinsic 性质。

三层因果证据:perception readout,直接读子空间能恢复位置,不用经过语言层;transformation 操作,换视角能操作子空间变换;causal intervention,改写子空间方向,空间判断跟着变,非空间回答不变。

论文给了一个二分诊断 —— perception 没问题,真正卡死的是 spatial transformation across viewpoint changes。诊断价值是「找到瓶颈在哪」,不是「修好瓶颈」。S-Space 不提供解决方案,业界接下来要的是 new training data、new architecture、new prompting。

但摘要没给模型数,没给数据集大小,没给复现次数,intervention leakage 是不是只动 S-Space 不影响其他表征也没给证据。GitHub、HuggingFace 链接,摘要里一个都没出现,只有 mirros.ai 项目页。上线 4 天 HF 拿 201 个 upvote,传播路径可疑。商业主体署名加 11 作者共同一作,警惕 marketing-driven 学术曝光偏倚。

实操:做 MLLM mechanistic interpretability,先对齐 PDF Section 4 模型数 + Section 5 ablation + intervention protocol,看 GitHub 仓库真不真存在,核 201 票怎么来的,别把单模型 finding 外推到所有 MLLM,别把 S-Space 当万能诊断。

4. 镜头分镜

  1. 开场冲突 (8s):左侧 MLLM 识别物体打勾,右侧换视角后物体定位偏移;屏幕文字「看见 ≠ 跨视角」;画面元素 = 双栏对比 + 警示橙偏移箭头 + 深石墨灰主色;运动方式 = 左勾静态,右偏移动态闪烁,箭头横扫。
  2. 三维线性子空间 flow (12s):horizontal × vertical × distance 三轴坐标系 + object token 投影到子空间;屏幕文字「S-Space = 三轴线性子空间」;画面元素 = 三维轴 + 散点 + 准绿色子空间高亮 + 协同蓝投影线;运动方式 = 三轴依次点亮,object token 散点落入,投影线扫过。
  3. probing via contrastive example (10s):左 spatial-answer 分数柱状图,右 object-token 激活热力图,中间梯度求导箭头;屏幕文字「probing via contrastive example」;画面元素 = 双信号图 + 准绿色梯度箭头;运动方式 = 左柱状升,右热力色块亮,中箭头流动。
  4. 三层因果证据 (12s):三层堆叠 = perception readout(直接读子空间)→ transformation 操作(换视角变换)→ causal intervention(改方向保非空间);屏幕文字「三层因果 = 改 → 改 → 不改」;画面元素 = 三层卡片 + 协同蓝 + 准绿 + 警示橙三色;运动方式 = 三层依次滑入,底部 causal intervention 闪烁。
  5. 二分诊断不修 (8s):左 perception ✓,右 transformation ✗ 卡死;中间瓶颈高亮「across viewpoint changes」;屏幕文字「二分诊断 = 找到瓶颈 ≠ 修好瓶颈」;画面元素 = 双栏对比 + 警示橙 ✗ + 准绿 ✓;运动方式 = 左勾亮,右 ✗ 闪三下,中间瓶颈高亮脉冲。
  6. 工程化反 hook 字幕层 (10s):6 件套滚动 = 未报模型数 + 数据集未列 + 复现次数未列 + intervention leakage + GitHub/HF 链接无 + HF 201▲ 4 天 + mirros.ai 商业主体;屏幕文字「反 hook 6 件套」;画面元素 = 6 行滚动 + 退化红 + 禁止斜杠;运动方式 = 6 行依次上滚,禁止斜杠横扫。
  7. checklist 落地 (6s):五件 checklist = ① PDF §4 模型数 ② §5 ablation ③ intervention protocol ④ GitHub/HF 真存在 ⑤ 201▲ 传播路径 + mirros.ai + direction-word 案例数;屏幕文字「落地 5 件 checklist」;画面元素 = 5 行待办 + 勾选框;运动方式 = 5 行依次滑入,勾选框依次打勾。