DynThinker：统一静态3D与动态4D空间推理

空间智能的困境：静态与动态为何难以兼得

让AI真正理解三维空间，并在此基础上把握随时间变化的动态场景，是空间智能领域的核心目标。然而，现有模型在这两个维度上往往顾此失彼——一项最新研究揭示了这一矛盾的深层原因。

据该研究分析，静态3D空间理解与动态4D场景推理之间存在显著的"空间—动态干扰"现象。具体而言，针对3D任务的后训练会削弱模型对动态场景的理解能力，而专精于4D推理的模型又常常缺乏扎实的静态3D空间推理基础。这种此消彼长的关系，成为通往通用空间智能的主要障碍。

什么是静态3D与动态4D空间推理？

所谓静态3D空间推理，指模型对某一时刻的三维场景进行理解与判断，例如从单张或多视角图像中推断物体的位置、朝向、尺寸以及物体间的空间关系，常见任务包括3D视觉定位、空间问答和场景布局预测。它关心的是"在哪里"。

动态4D空间推理则在此基础上引入时间维度，要求模型理解场景随时间的演化：物体如何移动、轨迹如何延伸、遮挡关系如何变化、多个实体之间的事件先后顺序如何。它关心的不仅是空间位置，还包括"如何变化"。

4D并非严格数学意义上的四维空间，而是"3D空间+时间"的工程化说法。由于动态推理必须建立在稳固的静态空间表征之上，两套能力天然存在共享的参数通路，这也是它们会相互干扰的结构性根源。

干扰并非均匀分布：晚层MLP是关键

研究团队对干扰现象进行了更细致的参数级分析，发现了一个反直觉的结论：空间—动态干扰在不同参数组之间的分布极不均匀。

并非所有权重都同等程度地影响两种能力。实验表明，静态能力与动态能力之间的平衡，对模型晚层MLP（多层感知机）参数的变化尤为敏感。这意味着，如果对全部参数进行统一调整，很可能在提升一种能力的同时无意中损害另一种能力。这一发现为后续的方法设计提供了明确的靶点：与其全局微调，不如对干扰敏感的参数进行精准约束。

这一洞察也解释了此前统一模型难以成功的根源——传统训练策略缺乏对参数分组差异性的考量。

为什么晚层MLP格外敏感？

在主流视觉语言模型（VLM）中，MLP（多层感知机）通常指Transformer每一层中负责逐位置非线性变换的前馈网络，其参数量往往占整层的一半以上。相对而言，注意力模块更侧重跨位置的关联建模，而MLP承担着对已聚合特征进行语义变换与存储的职能。

晚层，即靠近输出端的若干层，其表示已高度语义化，直接决定最终的语言生成结果。研究者普遍认为，这里沉淀了大量与任务相关的"知识性"参数。当模型在3D任务上做后训练时，这些高层语义通路会被优先重塑，从而覆盖掉原本支撑动态时序推理的表征，这正是干扰集中出现的机制。相反，早层更多处理通用视觉特征，改动它们对两类任务的影响都较温和。

DynThinker的两大核心机制

针对上述干扰问题，研究者提出了DynThinker，一个旨在联合强化静态与动态空间推理的统一框架。其核心由两个互补组件构成。

D-EMA：为敏感参数加一道"锚"

解耦指数移动平均（Decoupled Exponential Moving Average，D-EMA）采用可配置的分组平均策略，对干扰敏感的预训练参数施加约束，抑制其在训练过程中的漂移，同时为其他参数保留充分的灵活性以增强能力。这种"该稳的稳、该放的放"的思路，直接回应了晚层MLP高度敏感的分析结论。

指数移动平均（EMA）为何能起到"锚"的作用？

EMA原本是训练中的一种权重平滑技术：维护一份参数的滑动平均副本，每次更新时用当前权重与历史平均按比例混合。由于历史信息被持续保留，EMA副本对单步梯度的噪声和突变不敏感，常被用作更稳定的推理权重。

D-EMA的关键改动在于"解耦"与"分组"：不再对全部参数施加同一套平均策略，而是把参数划分成不同组，对分析中识别出的干扰敏感组（如晚层MLP）采用更强的约束力度，对其他组则放宽甚至不加约束。这样，敏感参数被锚定在预训练时的良好起点附近，避免在3D后训练中被过度改写；而不敏感的参数仍可自由学习新能力。本质上，它把正则化从全局统一变成了按功能分区的精细控制。

SDF：在语义引导下融合时空先验

空间—动态融合（Spatial-Dynamic Fusion，SDF）与D-EMA形成互补。它从动态几何编码器中提取空间与时间先验，并在语义引导下选择性地将这些先验整合进VLM（视觉语言模型）的中间层表示中。这种选择性融合避免了简单叠加带来的相互干扰，让静态空间信息与动态时间信息在表示层面协同而非冲突。

十个指标全面领先：统一模型的新标杆

DynThinker在涵盖九个静态3D与动态4D基准的十项指标上进行了评估，在所有对比模型中取得了最高平均分。

几个标志性结果值得关注：在ReVSI上达到56.0，在DSR-Bench上达到67.2；在DSI-Bench的逐样本（sample-wise）与分组（group-wise）两种评估协议下，分别取得51.2和40.1。研究指出，这四项评估结果均在统一模型内达成，在对比的开源模型中创下新的最优表现。

这一成绩的意义在于：它证明了静态3D与动态4D能力可以在同一个模型中同时达到领先水平，而非必须以牺牲一方为代价换取另一方。

对空间智能研究的启示

DynThinker的价值不仅在于刷新了几项基准成绩，更在于它提供了一条可复用的方法路径。

从参数级分析出发识别干扰敏感区域，再用分组约束与选择性融合加以应对——这套思路或许可以迁移到其他多能力耦合的场景中。对于追求通用空间智能的研究者而言，"先诊断干扰、再精准干预"可能比一味扩大数据与算力更具效率。当然，DynThinker目前的表现仍建立在其所选基准之上，其在更开放、更复杂真实场景中的泛化能力，仍有待进一步验证。