面向机器人导航的开源平台，用多模态大模型和视觉语言动作模型构建通用导航基础模型，解决跨场景视觉导航与空间智能问题。

把视频流转化为整体 3D 空间智能的 ICML 2026 Oral 工作，配套基准用于评测视觉语言模型的空间理解能力。

面向流式视频场景的空间智能框架，用测试时训练让多模态大模型持续理解三维空间关系，解决长视频中空间推理能力退化的问题。

把 VGGT 扩展到公里级场景的官方实现，解决超长序列三维重建中显存和尺度爆炸的问题，能处理大规模空间数据。

带空间标注的大规模视频数据集，为视频生成、3D/4D 重建和空间推理模型提供训练与评测数据。

让视觉语言模型在推理时生成隐式视觉 token 做「脑内想象」，无需输出真实图像就能增强多模态空间推理能力。

汇总视觉语言模型空间智能方向论文与资源的 awesome 清单，配套综述《Spatial Intelligence in Vision-Language Models》，方便快速跟进空间推理研究进展。