视觉语言模型做空间判断时，往往把「谁在谁左边」「物体有多远」「该放在哪」写成自由文本，再解析答案。输出空间其实很小：几个选项、一个标量，或一个二维点。MJev-Spatial 把这类判断做成 System 1 式多模态决策：选择、数值、点预测都放进统一分类框架，推理时每次分类只做一次前向、不生成答案 token。
统一成分类，而不是生成
三类任务对应三种候选。选择题直接用给定选项；数值预测把取值打成分箱，再粗到细分类；点预测把图像划成区域，同样粗到细。每个候选当成一个类，用骨干网络已预训练的 query 与 key 投影打分，不增加参数。设计意图是匹配发生在原生注意力空间，而不是另接一个头。
推理侧的重点是计算形态。每次分类一次前向，且不产生答案 token，从而避开自回归解码和解析开销。这对需要交互速率的空间判断是明确取向。材料没有给出推理延迟或帧率数字，这里不外推到具体实时性能。
训练：联合监督与吞吐
模型基于 Qwen3.5-4B，训练数据是从已有空间数据集转换来的 12.3M 问答对。为在异构空间数据上同时覆盖粗到细各阶段，作者用 teacher forcing 在同一次前向里联合监督所有阶段，并配合 length-aware 全局组 batch 与跨 GPU 负载均衡，训练吞吐比原 batching 策略高 30.8%。摘要在「achieves the highest」处截断，未给出对比基准与分数，因此不补写评测结论。
我的判断
价值在问题定义：空间交互里大量判断本就不是开放生成，把它们收成分类，可以去掉解码和解析，也避免格式漂移。适用边界很窄——候选必须能枚举或分箱；开放式空间描述、需要逐步解释的规划，并不在这个框架里。局限同样具体：无额外参数依赖骨干 Q/K 是否已经够用；粗到细分箱与区域划分会引入量化误差；完整评测与真实闭环材料未给出。更稳妥的读法，是一次把 System 1 空间决策从 VLM 生成路径里拆出来的实验，而不是已经验证的通用空间智能。