杭州六小龙最新开源「空间理解模型」，保姆级教程来了！

SpatialLM 介绍

前几天，“杭州六小龙”之一「群核科技」在GTC 2025大会开源了空间理解模型：SpatialLM。

SpatialLM 是一款专门为三维空间理解设计的大语言模型，通过三维点云数据，生成结构化的三维场景理解输出，包括墙壁、门、窗等建筑元素，以及带有语义类别的定向物体边界框。与传统需要专用设备进行数据采集的方法不同，SpatialLM能够处理来自多种来源的点云数据，如：单目视频序列、RGBD图像和LiDAR传感器等。

听起来很复杂，但简单地说，SpatialLM的本质就像是一台「空间翻译机」，通过视频理解物理世界的几何关系，再将其转化为机器能读懂的指令。

 其工作原理如下：给定一个 RGB 视频，首先使用 MASt3R-SLAM 进行三维点云重建，然后利用 SpatialLM 将这些密集点云转化为结构化表示。点云编码器将点云信息编码为紧凑的特征表示，随后由大语言模型（LLM）生成描述场景的场景代码（scene codes），这些场景代码可以被进一步转换为三维结构布局。

 SpatialLM 运行原理

SpatialLM 当前提供了 1B 和 0.5B 两种模型版本，相比于现在的 LLM 而言可以说是很小了。SpatialLM 采用多模态结构，有效地将非结构化的三维几何数据与结构化的三维表示相结合，提供高层次的语义理解。这一特性增强了其在具身机器人、自主导航等复杂三维场景分析任务中的空间推理能力。

 

仓库地址：

https://github.com/manycore-research/SpatialLM

ModelScope 模型地址：

1B：https://modelscope.cn/models/manycore-research/SpatialLM-Llama-1B

0.5B：https://modelscope.cn/models/manycore-research/SpatialLM-Qwen-0.5B

保姆级部署教程

官方仓库：https://github.com/manycore-research/SpatialLM

这里以 PyTorch 2.5.1+Python 3.12(ubuntu22.04)+CUDA 12.4 的云平台环境为例。

如果是本地运行，推荐 Ubuntu22.04+CUDA 12.4 的环境，按照官方教程使用 conda 创建 python3.11 环境并安装相关依赖。

参照官方教程，首先使用 conda 安装依赖:

 使用 poetry 环境：

这里由于 SpatialLM 官方的运行要求是 Python3.12，但是现在主流的云平台提供的大多是 3.12、3.10 版本的Python，且预装好了 PyTorch，所以笔者在测试时对依赖文件pyproject.toml进行了修改。

 安装 poetry 依赖：

编译安装 torchsparse，可能需要一些时间：

TorchSparse是一种基于PyTorch构建的高效稀疏张量处理库，专门用于加速三维稀疏卷积神经网络的训练和推理。

 

下载官方数据集中的 ply 格式的 3D 点云数据进行测试。

点云数据（Point Cloud）是一种由大量空间点组成的数据集合，每个点记录了其在三维空间中的位置坐标，通常还包含颜色或反射强度信息，可用于精确描述三维物体或场景的空间结构。

如果想要使用自己录制的视频，可以参照MASt3R-SLAM进行三维重建。

 

下载 SpatialLM-Llama-1B 模型，大约需要 2.6GB： 

 

模型推理：使用 ply 格式的点云文件生成 txt 格式的用于描述 3D 空间中的实体的文本。

 

将生成的文件合并为用于表示 3D 的文件

 

可视化：如果云平台无法显示，可以拷贝到本地运行，需要安装 rerun-sdk（pip install rerun-sdk）

效果如下： 

 

考虑到部分同学配置环境可能会遇到一些问题，我们在AutoDL平台准备了SpatialLM的环境镜像，点击下方链接并直接创建Autodl示例即可。

https://www.codewithgpu.com/i/datawhalechina/self-llm/SpatialLM

本教程已经在self-llm项目中更新，欢迎来Star🌟！