Qin, Zhu, Zhou e colegas propõem o MJev-Spatial, um modelo multimodal que abandona a geração autoregressiva de texto para responder perguntas espaciais. Em vez de escrever a resposta token a token, o modelo pontua candidatos com as projeções de query e key já pré-treinadas do backbone.
Os candidatos são opções, faixas numéricas ou regiões da imagem. Não há parâmetros novos.
Segundo os autores, o resultado é o melhor escore agregado (65,64%) entre oito modelos testados. Há liderança em sete de doze benchmarks.
O ganho sobre o próprio modelo base aparece em todos os doze. A velocidade é 5,6 vezes maior que a do Qwen3.5-4B original.
O que os autores propõem
O artigo apresenta o MJev-Spatial como um "modelo de decisão System 1" para inteligência espacial. A tese é que julgamentos do tipo "qual relação espacial vale", "a que distância está o objeto" ou "onde colocar isto" precisam acontecer em taxas de interação.
Não em taxas de decodificação de texto.
O espaço de saída dessas tarefas é compacto: uma entre poucas opções, um escalar, um ponto 2D. Para os autores, não faz sentido pagar o custo de decodificação autoregressiva e de parsing da resposta textual.
A proposta unifica os três tipos de saída sob um único arcabouço de classificação. Cada resposta possível vira uma classe, e a predição é um argmax sobre candidatos legais.
Os candidatos são as opções dadas no enunciado, no caso de múltipla escolha; faixas de valor, no caso numérico; e regiões da imagem, no caso de apontamento. Cada decisão custa uma única passada forward e não gera nenhum token de resposta.
O modelo é construído sobre o Qwen3.5-4B, com treinamento de todos os parâmetros retidos do backbone de linguagem. Usa 12,3 milhões de pares pergunta-resposta convertidos de conjuntos de dados espaciais existentes.
Os autores listam três contribuições: o paradigma de classificação unificada, a receita de treino conjunto entre tarefas e estágios, e o resultado empírico nos doze benchmarks.
Contexto: qual problema está sendo atacado
VLMs espaciais como SpatialVLM e SpatialRGPT (Chen et al., Cheng et al.) aprenderam relações e grandezas numéricas a partir de supervisão espacial. Molmo, RoboPoint e RoboRefer (Deitke et al., Yuan et al., Zhou et al.) atacam o apontamento representando coordenadas como texto.
O problema, na leitura dos autores, é que essa representação acopla o aprendizado da resposta espacial ao aprendizado da sua forma textual. Isso inclui formatação e boilerplate.
A supervisão gerada vai além da predição relevante. Na inferência, o texto ainda precisa ser gerado sequencialmente e depois interpretado.
O artigo se apoia explicitamente no precedente do Jev (TypeSafe AI, 2026), que devolve probabilidades sobre candidatos declarados sem gerar texto. Cita MolmoPoint (Clark et al., 2026) como interface alternativa que seleciona patches visuais.
A discretização de alvos contínuos também tem linhagem: o DORN (Fu et al., 2018) já tratava profundidade monocular como regressão ordinal sobre intervalos logaritmicamente espaçados. O MJev-Spatial herda essa ideia para comprimentos.
Como funciona
Um controlador de tarefa determinístico monta o conjunto de candidatos a partir da pergunta e das seleções anteriores. O scorer compartilhado reaproveita as projeções de query e key da última camada de atenção do backbone para atribuir um logit a cada candidato.
Um softmax sobre apenas os candidatos legais produz as probabilidades, com slots de padding recebendo menos infinito. Não há cabeça de predição adicional.
Para valores numéricos, o modelo usa até dois estágios. O primeiro escolhe um intervalo grosseiro num codebook de comprimento com espaçamento log1p.
São 30 intervalos positivos cobrindo de metros até 30, mais classes de zero exato e overflow. O segundo escolhe uma célula fina dentro do intervalo selecionado: quatro células em cada um dos seis primeiros intervalos e oito nos 24 restantes.
O total é de 216 células-folha positivas.
O valor final é o ponto médio da célula. Os autores também descrevem uma expectativa condicional sobre as células finas como alternativa de decodificação.
O paper observa que o limite de erro de quantização diz respeito ao codebook, não ao erro de predição do modelo.
Para apontamento de um ponto, são até três estágios, com re-encoding do recorte de imagem selecionado antes de cada decisão seguinte. O objetivo é recuperar detalhe visual local.
Múltiplos pontos são tratados por expansão condicional de árvore, reaproveitando o mesmo preditor treinado sem treinamento adicional.
No treino, todos os estágios são supervisionados conjuntamente com teacher forcing em uma única passada causal. Isso inclui os estágios que introduzem novos recortes.
As perdas de cross-entropy por estágio são mediadas por pergunta, para que um exemplo multiestágio não pese mais que uma questão de múltipla escolha. O artigo relata ainda batching global sensível a comprimento e balanceamento de carga entre GPUs.
Segundo os autores, isso eleva a vazão de treinamento em 30,8% sobre a estratégia original.
Resultados reportados
Os autores reportam 65,64% de escore geral, o mais alto entre oito modelos avaliados. Há primeiro lugar em sete dos doze benchmarks.
O desempenho é superior ao Qwen3.5-4B não modificado em todos os doze.
Em velocidade, o MJev-Spatial seria 2,5 vezes mais rápido que o baseline autoregressivo mais rápido testado. E 5,6 vezes mais rápido que o modelo base.
O paper também descreve estudos separados sobre pontuação de candidatos, refinamento visual, discretização numérica e execução do treinamento. Um achado contraintuitivo é que uma discretização mais grosseira de comprimentos pode reduzir o erro de predição apesar da resolução menor.
Os experimentos de readout comparam o uso das projeções pré-treinadas com alternativas. Relatam qualidade competitiva e custo de treinamento menor, com trade-offs dependentes da tarefa.
Limitações e o que não foi provado
O escopo é deliberadamente estreito. O modelo decide sobre candidatos construídos por um controlador determinístico específico para cada tarefa.
A qualidade final depende do desenho do codebook e da hierarquia de regiões, não de uma capacidade geral de raciocínio espacial em formato livre. Perguntas cuja resposta não caiba num conjunto finito de candidatos ficam fora do arcabouço.
O ganho de velocidade é medido contra geração autoregressiva nos doze benchmarks. O apontamento em três estágios reencoda recortes e, portanto, faz múltiplas passadas.
O número de passadas importa para latência em tempo real, e o extrato disponível não detalha o custo por estágio em cada tarefa. Também não há, no material analisado, evidência de implantação em robótica real ou de operação em malha fechada, apenas benchmarks.
Os 12,3 milhões de pares vêm de conjuntos existentes convertidos por um pipeline que os autores descrevem como auditado. A qualidade da supervisão original permanece um fator upstream.
A comparação cobre oito modelos, e a composição exata desse conjunto precisa ser conferida no texto completo: são 37 páginas, 7 figuras e 27 tabelas. O rótulo "System 1" é uma analogia de engenharia sobre decisões rápidas, não uma alegação de plausibilidade cognitiva.
Tratamos todos esses pontos como afirmações dos autores.
Por que isso importa para quem constrói com IA
Para quem integra modelos a produtos, a mudança de interface é o ponto central. Uma saída tipada e restrita a candidatos legais é trivialmente validável.
Não há regex para coordenada malformada, não há opção inventada, não há necessidade de retry por falha de parsing. Isso simplifica guardrails e reduz a superfície de erro entre o modelo e o sistema que consome a resposta.
O segundo ponto é econômico. Uma passada forward por decisão, sem decodificação token a token, ataca diretamente o custo dominante de pipelines multimodais em produção.
Isso vale especialmente em laços de percepção que rodam muitas vezes por segundo. O truque de reutilizar as projeções de query e key do próprio backbone, sem cabeça adicional, é reutilizável em outras tarefas de saída compacta.
Exemplos: classificação de intenção, seleção de ferramenta ou escolha de ação em agentes.
A contrapartida é a perda de flexibilidade. Modelos que só escolhem entre candidatos não explicam a escolha nem respondem a perguntas abertas.
O padrão que emerge do artigo é híbrido: um caminho rápido e classificatório para decisões frequentes, e geração de texto onde a justificativa importa.
Referências
- QIN, Luozheng; ZHU, Yuhan; ZHOU, Changhai; QIAO, Qian; GAO, Jun; ZHOU, Yuhua; ZHANG, Harry; ZENG, Xiangyu; LIU, Yuxuan; CHEN, Kaijie; CHEN, Andrew; MA, Pony. MJev-Spatial: System One Spatial Intelligence via Native Attention Matching. arXiv:2610.22276, cs.CV, 2026. Disponível em arXiv.org/abs/2610.22276.
- Página do projeto: fr0zencrane.GitHub.io/mjev-spatial-project.
- Código: GitHub.com/Fr0zenCrane/MJev-Spatial.
- Trabalhos citados pelos autores: Jev (TypeSafe AI, 2026); SpatialVLM e SpatialRGPT (Chen et al., 2024; Cheng et al., 2024); Molmo, RoboPoint e RoboRefer (Deitke et al., 2025; Yuan et al., 2024; Zhou et al., 2025a); MolmoPoint (Clark et al., 2026); DORN (Fu et al., 2018); Qwen3.5-4B (Qwen Team, 2026).
