空间智能正成为具身智能体、机器人规划和多模态助手的基础能力。现有方案通常依赖后训练，或让智能体在推理时调用深度估计、三维重建等外部工具。SMA 选择第三条路：冻结 VLM 参数，把经过验证的空间经验转成可复用记忆，并在部署时直接用这些记忆辅助推理。

从训练模型转向积累经验

SMA 的目标不是把新能力写回权重，而是在运行期建立“程序性记忆”。在可验证的空间环境中，系统先向冻结 VLM 提问，得到预测答案和奖励，再借助验证器引导反思，将单次经历压缩为简洁、可迁移的经验教训。这样，错误或成功不只服务当前样本，而会形成后续任务可检索的推理提示。整个过程不要求参数更新，也把能力演进从模型训练转成对经验的整理与复用。

可靠性评分决定什么值得复用

每条经验都会获得迁移可靠性评分 TRS。评分起初统一，之后根据该经验被检索后的结果进行校准，把后续访问转化为它能否迁移到新问题的证据。部署阶段采用只读模式：系统先做语义过滤，再结合相似度与 TRS 排序，将选出的经验交给冻结模型。关键不只是“搜到相似案例”，而是持续估计案例是否真的有帮助。与调用深度估计或三维重建工具不同，SMA 在推理时不依赖外部专家空间工具；但记忆形成阶段仍需要可验证环境、奖励和反思流程。

我的判断

SMA 的价值在于把空间推理改进拆成可审计的经验层，适合参数不能更新、又能获得明确反馈的场景；读写分离也让部署路径相对清楚。边界同样明显：若任务缺少可靠验证器，经验质量与 TRS 校准都会失去依据；语义相似也不等于空间关系可迁移，错误经验可能被重复放大。摘要提到评估覆盖五个代表性空间基准和四种基础 VLM，但给定材料未包含具体结果与对照数据，因此目前只能确认框架设计，不能判断提升幅度、计算开销或跨任务稳定性。