核心内容摘要
中文字幕 制服 亚洲 另类最新影片聚焦成年人面对现实的选择，描绘复杂微妙的情感纠葛，充满故事张力与感染力。中文字幕 制服 亚洲 另类影片聚焦成年人面对现实的选择，描绘复杂微妙的情感纠葛，充满故事张力与感染力。在线中文字幕 制服 亚洲 另类中文字幕 制服 亚洲 另类影片聚焦成年人面对现实的选择，描绘复杂微妙的情感纠葛，充满故事张力与感染力。
允中 发自 凹非寺 量子位 | 公众号 Qb
允中 发自 凹非寺 量子位 | 公众号 QbitAI
在机器人、自动驾驶、AR等真实场景中， 空间理解 从来都不是“看一眼图像”就能解决的问题。
相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要 “记得住、连得起来、还能持续更新”
这使得 流式空间智能 成为多模态大模型迈向真实世界应用的一道关键门槛。
这篇文章的出发点是思考：多模态Agent如何
这篇文章的出发点是思考：多模态Agent如何在动态变化的世界中持续更新自己，而不是每次都像第一次看见世界。
真实世界不是一张静态图片，也不是一段固定长度的视频，而是 一段持续展开的经验流
正如人理解空间，也不是一次性看完整个房间，而是在移动、观察、遗忘、修正中，逐渐形成稳定的空间记忆。
近日，由 清华大学博士生刘芳甫 担任一作，联合多位研究者共同完成的 Spatial-TTT ，被计算机视觉顶级会议ECCV 2026正式接收。
ECCV与CVPR、ICCV通常并称为计算机
ECCV与CVPR、ICCV通常并称为计算机视觉三大顶级会议，每两年举办一届，用率常年偏低。
对于一项工作而言，入选ECCV不只是多了一个会议标签，也意味着它需要在研究问题、方法创新与实验完整性上接受严格的同行评审。
Spatial-TTT瞄准的，正是多模态模型从“看懂画面”迈向“理解真实空间”过程中一个尚未解决的核心问题：
当视频不断延长，模型能否不依赖无限膨胀的上下文，而是在观看过程中，持续形成并更新自己的空间记忆？
实验中，仅有 2B 参数的Spatial-T
实验中，仅有 2B 参数的Spatial-TTT，在论文测试的多个专项空间智能基准上超过 GPT-5、Gemini-3-pro 等闭源模型，并能够处理 最长120分钟 的流式视频。
它所给出的答案可以概括为一句话：
让模型不只是看视频，而是在观看过程中， 边看、边更新、边“长出”一份空间记忆
能看长视频，不等于能够记住和理解空间
空间智能的难点，从来不只是“把上下文做长”，
空间智能的难点，从来不只是“把上下文做长”，而是 空间信息该如何在时间维度上被选择、组织、保留下来
在真实场景中，模型面对的是一段持续涌入的视觉流：
相机移动会改变视角，遮挡会打断观察，物体的显隐又会让关键证据散落在相距很远的时刻。
现有方法尝试过引入深度信息、多视角输入、空间专项微调数据，乃至训练专用空间模型，但大多仍局限于单张图像或短视频片段，很难扩展到真实应用中动辄 几十分钟、几小时 的长时程流式视频。
更进一步看，问题的核心并不只是模型"窗口不够
更进一步看，问题的核心并不只是模型"窗口不够长"，而是它缺少一种机制，能在推理过程中不断把新观察吸收进内部状态，再把这些状态组织成一份可供后续调用的空间记忆。
传统的静态推理范式很难解决这一点，而TTT恰好提供了另一种可能： 让模型在推理时边看边更新参数，用参数本身的变化来承担记忆功能。
Spatial-TTT：把模型参数变成动态记忆
为应对上述挑战，研究团队提出Spatial-TTT，将fast weights作为一种紧凑的非线性记忆，在处理视频流的同时进行在线更新，不断累积跨时间的3D空间证据。
与把整段视频一次性塞进上下文不同，Spati
与把整段视频一次性塞进上下文不同，Spatial-TTT更像是在 持续“维护一份空间状态”
每当新的视频chunk到来，模型就对已有的空间记忆做一次增量式刷新。
TTT概念并不新，难的是让它真正理解空间
TTT此前已经被用于语言建模、新视角合成和视频生成，但流式视觉空间理解有其特殊性：
模型既要保留预训练阶段形成的视觉—语言能力，
模型既要保留预训练阶段形成的视觉—语言能力，又要显式利用视频token的局部几何与时间连续性，还需要足够密集的监督，教会快速权重哪些空间信息值得长期保留。
围绕这三个问题，Spatial-TTT分别设计了 混合架构、空间预测机制和密集场景描述监督
设计一：混合式TTT架构，完美兼顾预训练知识和长视频处理
直接把所有注意力层替换成TTT层，理论上效率更高，但会破坏原始多模态模型的跨模态对齐与语义能力，相当于在获得长程记忆的同时，丢失了模型原本的语义理解能力。
为此，研究团队设计了 混合式TTT架构
为此，研究团队设计了 混合式TTT架构
在解码器中按照3:1的比例交错插入TTT层与标准self-attention anchor layers，其中75%的层采用TTT，负责将长程信息写入快速权重； 25%的层保留标准全注意力，作为锚定层，维持预训练模型已有的语义理解和跨模态推理能力。
也就是说，Spatial-TTT并非用TTT取代注意力，而是让两者各自承担不同角色： TTT负责记得更久，全注意力负责理解得更准。
与此同时，为提升大块视觉token的处理效率，模型还引入了 large-chunk更新 ，并搭配并行的sliding-window attention
前者大幅提升GPU利用率，避免传统TTT小块
前者大幅提升GPU利用率，避免传统TTT小块频繁更新导致的效率低下，以及强行切断帧内空间结构的问题；
后者则保证chunk内部仍具有完整的因果局部交互，避免空间连续性被更新边界打断。
两者分工明确：滑动窗口负责处理近期帧和局部结构，快速权重则负责跨块保存更长期的信息。
这一设计让模型在长视频场景下既具备线性复杂度带来的可扩展性，又不会牺牲局部时空建模能力。
设计二：Spatial-predictive
设计二：Spatial-predictive mechanism，让在线记忆真正“懂空间”
仅仅把TTT搬到视频中还不够。
研究团队观察到，传统TTT中Q/K/V通常通过逐点线性投影生成，这意味着每个视觉token在进入快速权重之前，主要被当成一个孤立单元处理——
这种方式忽略了视觉token之间天然存在的局部几何结构和时间连续性，不利于空间状态的稳定更新。
但视觉空间信息天然存在于局部关系中，如果忽略
但视觉空间信息天然存在于局部关系中，如果忽略这种局部连续性，快速权重就需要从零开始推断几何关系，记忆也更容易变得碎片化。
为此，Spatial-TTT在TTT分支中引入了 空间预测机制 （spatial-predictive mechanism），对Q/K/V加入轻量级3D时空卷积。
经过这一处理，fast weights学到的就不再是孤立token之间的映射，而是 时空上下文到时空上下文的预测关系 ，从而能更好地捕捉几何对应、视角变化与时间连续性，显著增强在线更新的稳定性与有效性。
设计三：稠密场景描述监督，模型从“会答题”走向“维护全局3D记忆”
现有空间智能数据大多是 稀疏、局部的Q&A监
现有空间智能数据大多是 稀疏、局部的Q&A监督 ，例如判断两个物体的相对关系，或者回答一个整数计数问题——
这类短答案，只能覆盖场景状态中的极小部分，对fast weights学习长期有效的更新动态帮助有限。
问题在于，快速权重需要学习的是如何持续维护整个场景，而不仅仅是提取某个局部答案。
如果训练中只问桌子和椅子的关系，模型就没有动力记住房间里其他物体，也没有动力形成完整的空间布局。
因此，研究团队构建了一份 稠密的3D场景描述
因此，研究团队构建了一份 稠密的3D场景描述数据
这份数据要求模型生成覆盖场景全局语境、物体类别与数量、空间关系等内容的scene walkthrough，用更高覆盖率的监督信号来训练fast weights。
该训练采用两阶段 spatial-aware progressive training 方式：第一阶段，模型先在密集场景描述上学习如何“记住整个空间”，形成全局3D意识；
第二阶段，再用数百万条spatial VQA数据，进一步强化方向判断、距离估计、计数、房间大小估计和路线规划等流式空间推理能力。
实验结果：不仅更会“想空间”，也更能“撑长视
实验结果：不仅更会“想空间”，也更能“撑长视频”
实验结果显示，Spatial-TTT在多个空间智能基准上都取得了非常强的表现。
在VSI-Bench上，作为一个2B规模模型，Spatial-TTT-2B取得了 64.4 的平均分，超过多种闭源与开源基线；
其中在Absolute Distance、Relative Direction、Route Plan、Appearance Order等任务上表现尤为突出，说明它在 度量级空间估计、方向判断与路径规划 等任务上具备更强能力。
在更考验多视角细粒度空间推理的 MindCu
在更考验多视角细粒度空间推理的 MindCube-Tiny 上，Spatial-TTT拿下76.2%的准确率，比最强闭源基线Gemini-3-pro（63.9%）高出 12个百分点 ，比代表性开源空间模型MindCube-3B（51.7%）高出近25个百分点。
论文有效证明了Spatial-TTT在 视角变化与遮挡条件 下展现出更稳健的空间推理能力。
在考验“长期记忆”的VSI-SUPER系列任务上，Spatial-TTT的优势进一步被放大。
对于需要长时间累计证据的VSI-SUPER-Count，Spatial-TTT在10、30、60、120分钟视频上的得分，分别达到31.8、45.6、36.2、38.4；
相比之下，一些通用多模态模型和空间模型在更长
相比之下，一些通用多模态模型和空间模型在更长视频上要么性能快速崩塌，要么直接OOM（内存/显存耗尽）。
而之所以能在更长时程下保持稳定，正是因为Spatial-TTT通过在线更新逐步整合新观察，而不是被动依赖一次性长上下文处理。
深度分析：Spatial-TTT的提升究竟来自哪里？
消融实验表明，Spatial-TTT的性能提升并不是单一技巧带来的，而是三个设计协同发力的结果：
去掉空间预测机制，VSI-Bench平均分从
去掉空间预测机制，VSI-Bench平均分从64.4降到62.1； 去掉密集场景描述监督，降到61.3； 如果完全去掉混合架构、只用纯TTT结构，平均分直接掉到53.9。
这说明架构设计、时空归纳偏置与监督信号之间存在显著的协同效应。
效率分析同样值得关注。
在1024帧输入设置下，Spatial-TTT-2B的峰值显存占用为11.9GB，理论计算量为799.4 TFLOPs；
相比之下，行业领先的大厂模型分别为21.2G
相比之下，行业领先的大厂模型分别为21.2GB和1403.1 TFLOPs——
也就是说，Spatial-TTT在长上下文下实现了 超过40% 的显存与计算节省。
此外，带显式几何编码器的Spatial-MLLM-4B在512帧和1024帧场景下已无法运行。
总结与展望：从“保存更多内容”，走向“形成持续的世界状态”
Spatial-TTT最值得关注的，不只是一
Spatial-TTT最值得关注的，不只是一个2B模型在多个空间智能基准上的领先成绩，它还提供了一种 重新理解长视频记忆问题 的方式。
传统长上下文方案试图保留更多历史内容，Spatial-TTT则进一步追问：
模型能否将持续到来的视觉观察，转化为一份能够不断更新、修正和调用的内部空间状态？
它不需要永久保存每一帧画面，却需要知道自己经过了哪里、看到了什么，以及空间关系如何随着新的观察发生变化。
这对于真正进入物理世界的Agent尤其重要。
这对于真正进入物理世界的Agent尤其重要。
机器人不会只进入一次房间，自动驾驶系统不会只经过一次路口，AR设备也不会只观察几秒钟的环境。
它们需要在长期运行中积累空间经验，让此前的观察真正影响之后的感知与决策，而不是在每一次任务开始时重新理解周围世界。
对于这些需要长期连续运行的Physical Agent系统而言，这项入选ECCV 2026的工作所提供的，或许不只是一个表现更强的空间智能模型，更是一条 从流式视觉感知走向持续世界状态建模 的路径。
更关键的变化在于，过去的观察开始参与下一次判
更关键的变化在于，过去的观察开始参与下一次判断与行动。
当空间信息能够被持续积累、修正和调用，Agent面对的就不再是一帧帧彼此割裂的画面，而是一个具有连续性、能够被理解并进一步作用于其中的世界。
论文链接：https://arxiv.org/pdf/2603.12255 项目主页：https://liuff19.github.io/Spatial-TTT/ GitHub：https://github.com/THU-SI/Spatial-TTT/
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
允中 发自 凹非寺 量子位 | 公众号 Qb
允中 发自 凹非寺 量子位 | 公众号 QbitAI
在机器人、自动驾驶、AR等真实场景中， 空间理解 从来都不是“看一眼图像”就能解决的问题。
相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要 “记得住、连得起来、还能持续更新”
这使得 流式空间智能 成为多模态大模型迈向真实世界应用的一道关键门槛。
这篇文章的出发点是思考：多模态Agent如何
这篇文章的出发点是思考：多模态Agent如何在动态变化的世界中持续更新自己，而不是每次都像第一次看见世界。
真实世界不是一张静态图片，也不是一段固定长度的视频，而是 一段持续展开的经验流
正如人理解空间，也不是一次性看完整个房间，而是在移动、观察、遗忘、修正中，逐渐形成稳定的空间记忆。
近日，由 清华大学博士生刘芳甫 担任一作，联合多位研究者共同完成的 Spatial-TTT ，被计算机视觉顶级会议ECCV 2026正式接收。
ECCV与CVPR、ICCV通常并称为计算机
ECCV与CVPR、ICCV通常并称为计算机视觉三大顶级会议，每两年举办一届，用率常年偏低。
对于一项工作而言，入选ECCV不只是多了一个会议标签，也意味着它需要在研究问题、方法创新与实验完整性上接受严格的同行评审。
Spatial-TTT瞄准的，正是多模态模型从“看懂画面”迈向“理解真实空间”过程中一个尚未解决的核心问题：
当视频不断延长，模型能否不依赖无限膨胀的上下文，而是在观看过程中，持续形成并更新自己的空间记忆？
实验中，仅有 2B 参数的Spatial-T
实验中，仅有 2B 参数的Spatial-TTT，在论文测试的多个专项空间智能基准上超过 GPT-5、Gemini-3-pro 等闭源模型，并能够处理 最长120分钟 的流式视频。
它所给出的答案可以概括为一句话：
让模型不只是看视频，而是在观看过程中， 边看、边更新、边“长出”一份空间记忆
能看长视频，不等于能够记住和理解空间
空间智能的难点，从来不只是“把上下文做长”，
空间智能的难点，从来不只是“把上下文做长”，而是 空间信息该如何在时间维度上被选择、组织、保留下来
在真实场景中，模型面对的是一段持续涌入的视觉流：
相机移动会改变视角，遮挡会打断观察，物体的显隐又会让关键证据散落在相距很远的时刻。
现有方法尝试过引入深度信息、多视角输入、空间专项微调数据，乃至训练专用空间模型，但大多仍局限于单张图像或短视频片段，很难扩展到真实应用中动辄 几十分钟、几小时 的长时程流式视频。
更进一步看，问题的核心并不只是模型"窗口不够
更进一步看，问题的核心并不只是模型"窗口不够长"，而是它缺少一种机制，能在推理过程中不断把新观察吸收进内部状态，再把这些状态组织成一份可供后续调用的空间记忆。
传统的静态推理范式很难解决这一点，而TTT恰好提供了另一种可能： 让模型在推理时边看边更新参数，用参数本身的变化来承担记忆功能。
Spatial-TTT：把模型参数变成动态记忆
为应对上述挑战，研究团队提出Spatial-TTT，将fast weights作为一种紧凑的非线性记忆，在处理视频流的同时进行在线更新，不断累积跨时间的3D空间证据。
与把整段视频一次性塞进上下文不同，Spati
与把整段视频一次性塞进上下文不同，Spatial-TTT更像是在 持续“维护一份空间状态”
每当新的视频chunk到来，模型就对已有的空间记忆做一次增量式刷新。
TTT概念并不新，难的是让它真正理解空间
TTT此前已经被用于语言建模、新视角合成和视频生成，但流式视觉空间理解有其特殊性：
模型既要保留预训练阶段形成的视觉—语言能力，
模型既要保留预训练阶段形成的视觉—语言能力，又要显式利用视频token的局部几何与时间连续性，还需要足够密集的监督，教会快速权重哪些空间信息值得长期保留。
围绕这三个问题，Spatial-TTT分别设计了 混合架构、空间预测机制和密集场景描述监督
设计一：混合式TTT架构，完美兼顾预训练知识和长视频处理
直接把所有注意力层替换成TTT层，理论上效率更高，但会破坏原始多模态模型的跨模态对齐与语义能力，相当于在获得长程记忆的同时，丢失了模型原本的语义理解能力。
为此，研究团队设计了 混合式TTT架构
为此，研究团队设计了 混合式TTT架构
在解码器中按照3:1的比例交错插入TTT层与标准self-attention anchor layers，其中75%的层采用TTT，负责将长程信息写入快速权重； 25%的层保留标准全注意力，作为锚定层，维持预训练模型已有的语义理解和跨模态推理能力。
也就是说，Spatial-TTT并非用TTT取代注意力，而是让两者各自承担不同角色： TTT负责记得更久，全注意力负责理解得更准。
与此同时，为提升大块视觉token的处理效率，模型还引入了 large-chunk更新 ，并搭配并行的sliding-window attention
前者大幅提升GPU利用率，避免传统TTT小块
前者大幅提升GPU利用率，避免传统TTT小块频繁更新导致的效率低下，以及强行切断帧内空间结构的问题；
后者则保证chunk内部仍具有完整的因果局部交互，避免空间连续性被更新边界打断。
两者分工明确：滑动窗口负责处理近期帧和局部结构，快速权重则负责跨块保存更长期的信息。
这一设计让模型在长视频场景下既具备线性复杂度带来的可扩展性，又不会牺牲局部时空建模能力。
设计二：Spatial-predictive
设计二：Spatial-predictive mechanism，让在线记忆真正“懂空间”
仅仅把TTT搬到视频中还不够。
研究团队观察到，传统TTT中Q/K/V通常通过逐点线性投影生成，这意味着每个视觉token在进入快速权重之前，主要被当成一个孤立单元处理——
这种方式忽略了视觉token之间天然存在的局部几何结构和时间连续性，不利于空间状态的稳定更新。
但视觉空间信息天然存在于局部关系中，如果忽略
但视觉空间信息天然存在于局部关系中，如果忽略这种局部连续性，快速权重就需要从零开始推断几何关系，记忆也更容易变得碎片化。
为此，Spatial-TTT在TTT分支中引入了 空间预测机制 （spatial-predictive mechanism），对Q/K/V加入轻量级3D时空卷积。
经过这一处理，fast weights学到的就不再是孤立token之间的映射，而是 时空上下文到时空上下文的预测关系 ，从而能更好地捕捉几何对应、视角变化与时间连续性，显著增强在线更新的稳定性与有效性。
设计三：稠密场景描述监督，模型从“会答题”走向“维护全局3D记忆”
现有空间智能数据大多是 稀疏、局部的Q&A监
现有空间智能数据大多是 稀疏、局部的Q&A监督 ，例如判断两个物体的相对关系，或者回答一个整数计数问题——
这类短答案，只能覆盖场景状态中的极小部分，对fast weights学习长期有效的更新动态帮助有限。
问题在于，快速权重需要学习的是如何持续维护整个场景，而不仅仅是提取某个局部答案。
如果训练中只问桌子和椅子的关系，模型就没有动力记住房间里其他物体，也没有动力形成完整的空间布局。
因此，研究团队构建了一份 稠密的3D场景描述
因此，研究团队构建了一份 稠密的3D场景描述数据
这份数据要求模型生成覆盖场景全局语境、物体类别与数量、空间关系等内容的scene walkthrough，用更高覆盖率的监督信号来训练fast weights。
该训练采用两阶段 spatial-aware progressive training 方式：第一阶段，模型先在密集场景描述上学习如何“记住整个空间”，形成全局3D意识；
第二阶段，再用数百万条spatial VQA数据，进一步强化方向判断、距离估计、计数、房间大小估计和路线规划等流式空间推理能力。
实验结果：不仅更会“想空间”，也更能“撑长视
实验结果：不仅更会“想空间”，也更能“撑长视频”
实验结果显示，Spatial-TTT在多个空间智能基准上都取得了非常强的表现。
在VSI-Bench上，作为一个2B规模模型，Spatial-TTT-2B取得了 64.4 的平均分，超过多种闭源与开源基线；
其中在Absolute Distance、Relative Direction、Route Plan、Appearance Order等任务上表现尤为突出，说明它在 度量级空间估计、方向判断与路径规划 等任务上具备更强能力。
在更考验多视角细粒度空间推理的 MindCu
在更考验多视角细粒度空间推理的 MindCube-Tiny 上，Spatial-TTT拿下76.2%的准确率，比最强闭源基线Gemini-3-pro（63.9%）高出 12个百分点 ，比代表性开源空间模型MindCube-3B（51.7%）高出近25个百分点。
论文有效证明了Spatial-TTT在 视角变化与遮挡条件 下展现出更稳健的空间推理能力。
在考验“长期记忆”的VSI-SUPER系列任务上，Spatial-TTT的优势进一步被放大。
对于需要长时间累计证据的VSI-SUPER-Count，Spatial-TTT在10、30、60、120分钟视频上的得分，分别达到31.8、45.6、36.2、38.4；
相比之下，一些通用多模态模型和空间模型在更长
相比之下，一些通用多模态模型和空间模型在更长视频上要么性能快速崩塌，要么直接OOM（内存/显存耗尽）。
而之所以能在更长时程下保持稳定，正是因为Spatial-TTT通过在线更新逐步整合新观察，而不是被动依赖一次性长上下文处理。
深度分析：Spatial-TTT的提升究竟来自哪里？
消融实验表明，Spatial-TTT的性能提升并不是单一技巧带来的，而是三个设计协同发力的结果：
去掉空间预测机制，VSI-Bench平均分从
去掉空间预测机制，VSI-Bench平均分从64.4降到62.1； 去掉密集场景描述监督，降到61.3； 如果完全去掉混合架构、只用纯TTT结构，平均分直接掉到53.9。
这说明架构设计、时空归纳偏置与监督信号之间存在显著的协同效应。
效率分析同样值得关注。
在1024帧输入设置下，Spatial-TTT-2B的峰值显存占用为11.9GB，理论计算量为799.4 TFLOPs；
相比之下，行业领先的大厂模型分别为21.2G
相比之下，行业领先的大厂模型分别为21.2GB和1403.1 TFLOPs——
也就是说，Spatial-TTT在长上下文下实现了 超过40% 的显存与计算节省。
此外，带显式几何编码器的Spatial-MLLM-4B在512帧和1024帧场景下已无法运行。
总结与展望：从“保存更多内容”，走向“形成持续的世界状态”
Spatial-TTT最值得关注的，不只是一
Spatial-TTT最值得关注的，不只是一个2B模型在多个空间智能基准上的领先成绩，它还提供了一种 重新理解长视频记忆问题 的方式。
传统长上下文方案试图保留更多历史内容，Spatial-TTT则进一步追问：
模型能否将持续到来的视觉观察，转化为一份能够不断更新、修正和调用的内部空间状态？
它不需要永久保存每一帧画面，却需要知道自己经过了哪里、看到了什么，以及空间关系如何随着新的观察发生变化。
这对于真正进入物理世界的Agent尤其重要。
这对于真正进入物理世界的Agent尤其重要。
机器人不会只进入一次房间，自动驾驶系统不会只经过一次路口，AR设备也不会只观察几秒钟的环境。
它们需要在长期运行中积累空间经验，让此前的观察真正影响之后的感知与决策，而不是在每一次任务开始时重新理解周围世界。
对于这些需要长期连续运行的Physical Agent系统而言，这项入选ECCV 2026的工作所提供的，或许不只是一个表现更强的空间智能模型，更是一条 从流式视觉感知走向持续世界状态建模 的路径。
更关键的变化在于，过去的观察开始参与下一次判
更关键的变化在于，过去的观察开始参与下一次判断与行动。
当空间信息能够被持续积累、修正和调用，Agent面对的就不再是一帧帧彼此割裂的画面，而是一个具有连续性、能够被理解并进一步作用于其中的世界。
论文链接：https://arxiv.org/pdf/2603.12255 项目主页：https://liuff19.github.io/Spatial-TTT/ GitHub：https://github.com/THU-SI/Spatial-TTT/
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
优化核心要点
中文字幕 制服 亚洲 另类官方版.展现乡村自然风光与人文故事,记录感人瞬间的纪实短片！国产中文字幕 制服 亚洲 另类
