스트리밍 공간 지능(Streaming Spatial Intelligence): 정적인 단일 시점이 아닌, 연속적인 시각적 관찰(비디오 스트림)로부터 실시간으로 공간 추론을 유지하고 업데이트하는 능력입니다.

기존 MLLM의 한계

• 비효율적 연산 비용: 표준 트랜스포머의 셀프 어텐션은 시퀀스 길이에 따라 연산 비용이 제곱(Quadratic)으로 증가하여 실시간 처리에 병목이 발생합니다.
• 3D 기하학적 사전 지식 부재: 2D 이미지-텍스트 쌍으로 학습된 모델은 시점 변화나 가림 현상(occlusion) 상황에서의 공간 구조 이해가 부족합니다.

효율성을 극대화하면서도 기존 모델의 강력한 추론 능력을 보존하기 위해 Hybrid Decoder Block 구조를 채택했습니다.

하드웨어 효율성과 시공간적 연속성을 동시에 확보하기 위해 Large-chunk Updates와 Sliding Window Attention (SWA)를 결합합니다.

"Large chunk는 하드웨어 효율을, SWA는 시공간적 디테일과 인과 관계를 담당합니다."

단순한 포인트별 선형 투영을 넘어, 경량화된 Depth-wise 3D Spatiotemporal Convolution을 도입했습니다.

Synthesis Insight: 개별 토큰뿐만 아니라 주변 맥락을 함께 학습함으로써 모델이 실제 3D 기하학적 일관성을 이해하게 되며, 이는 Fast Weight 내에 더욱 구조화된 '공간 메모리'를 형성하게 합니다.

희소한 VQA 데이터의 한계를 극복하기 위해 Dense Scene Description 데이터셋을 구축하고 2단계 학습을 진행합니다.

실험 결과(Table 5), Spatial-TTT는 긴 입력 시퀀스 처리에서 압도적인 우위를 증명했습니다.

Spatial-TTT의 진정한 가치는 선형 복잡도(Linear Complexity) 달성에 있습니다. 컨텍스트 길이가 길어질수록 효율성 격차는 기하급수적으로 벌어지며, 이는 '무한 비디오 스트림'을 처리해야 하는 로보틱스 및 자율주행 분야에서 가장 현실적이고 강력한 대안임을 시사합니다.