當被問及“垃圾桶在電話的哪個方向”時，人類能迅速在腦海中構建房間布局并給出答案，但現有的人工智能系統卻難以完成這種基礎的空間推理。清華大學人工智能學院聯合上海人工智能實驗室與東京大學團隊提出了一項突破性方法——TRACE，通過讓AI像人類一樣構建“空間地圖”，顯著提升了其在復雜3D環境中的理解能力。相關研究成果已發表于論文編號為arXiv:2603.23404v1的學術平臺。

傳統多模態大語言模型處理空間問題時，往往依賴視頻中的2D視覺信息，如同“蒙眼摸象”般只能感知局部。研究團隊從人類認知科學中汲取靈感，發現人類在面對空間任務時，會先以“上帝視角”構建環境中心坐標系的空間表征，再通過語言描述固定物體位置。例如，人們會說“床在靠窗的墻邊”，而非“床在我的右邊”，這種環境中心的描述方式不受觀察者位置影響，更適合復雜推理。

TRACE方法的核心在于為AI配備“空間記錄員”：通過分析視頻，系統會建立三套關鍵信息。首先是“房間檔案”，AI自動識別房間形狀（如長方形辦公室）并確定方向基準（如最長墻面為“北方”）；其次是“行進路線圖”，記錄攝像機每秒的位置坐標、朝向及動作（如“第3秒面向北偏西45度，向床邊移動”）；最后是“物品清單”，為每個物體標注類別、位置坐標、尺寸及與其他物品的相對關系（如“黑色辦公椅位于桌子南側[0.5, 1.5]，背靠南墻”）。

在訓練階段，研究團隊設計了一套“空間記錄手冊”，以逐步引導AI完成空間表征構建。例如，手冊會指導AI“將房間主通道方向定義為Y軸正方向，垂直右側為X軸正方向”，并要求位置描述必須參考固定物體（如“距離桌子1.5米”）。經過訓練，AI的空間描述能力從“房間里有桌子和椅子”進化為“長方形辦公室，主軸沿東西方向，辦公桌位于中央偏北[0.5, 2.0]”。

實驗數據驗證了TRACE的有效性。在包含5130道題目的VSI-Bench測試平臺上，最強模型Gemini 3 Pro的準確率從52.61%提升至60.15%；開源模型Qwen2.5-VL-72B的性能提升3.1個百分點至39.38%；小型模型MiMo-VL-7B也實現1.63個百分點的增長。更關鍵的是，僅基于TRACE生成的文字描述回答問題（不觀看視頻），準確率與直接使用視頻相當，證明其完整捕捉了空間信息。

與傳統方法對比，TRACE的優勢在于精細化表征。例如，在回答“哪把椅子離洗碗機最近”時，認知地圖方法只能判斷兩者是否在同一網格，而TRACE可記錄每把椅子的精確坐標（如椅子01[1.1, 1.0]、椅子02[1.1, 1.5]）并計算距離。實驗顯示，TRACE比認知地圖方法性能高出9.7個百分點，比空間描述方法高出3.53個百分點。

進一步分析發現，不同AI模型的瓶頸存在差異：Gemini 3 Pro在3D視覺感知和語言推理上均表現優異，而Qwen系列模型更依賴語言推理能力。研究還揭示了一個反直覺現象——專門的語言模型（Qwen2.5-72B）在空間推理上超越了多模態模型（Qwen2.5-VL-72B），暗示當前多模態訓練可能削弱了空間推理能力。

盡管TRACE顯著提升了性能，但其局限性仍需突破。當前方法生成的是靜態空間表征，難以應對物品移動或觀察者位置實時更新的場景（如多輪對話中環境變化）。空間描述質量高度依賴底層模型的視覺感知能力，若模型本身存在3D理解缺陷，TRACE的表征準確性也會受影響。

針對這些挑戰，研究團隊提出三大改進方向：開發動態流式TRACE框架以實時更新物品位置；結合專業3D物體檢測模型提升空間信息精度；探索TRACE作為數據引擎生成高質量3D推理訓練數據。這些改進或使TRACE從推理方法升級為通用空間智能訓練工具。

TRACE的成功為AI研究提供了重要啟示：通過構建結構化中間表征（如空間地圖），可顯著提升復雜任務的處理效率。這種“軟件創新”思路——不改變模型架構而優化思考方式——或成為未來AI發展的關鍵路徑。從自動駕駛到家庭機器人，TRACE及其衍生技術有望在需要精準空間理解的領域發揮核心作用。