MJev-Spatial wählt räumliche Antworten aus Kandidaten, statt sie zu generieren

MJev-Spatial wählt Antworten per Query-Key-Bewertung statt sie zu generieren

Mind Lab hat unter dem Repo-Pfad mindlab-research den Checkpoint MJev-Spatial-4B veröffentlicht. Grundlage ist Qwen3.5-4B. Das Modell ist als „System 1“-Entscheidungsmodell angelegt. Es löst räumliche Aufgaben als Klassifikation über vorgegebene Kandidaten und erzeugt keine Antwort als Text.

Jeder Kandidat gilt als eigene Klasse. Die Bewertung erfolgt mit den vortrainierten Query- und Key-Projektionen des Backbones. Laut Modellkarte gibt es weder zusätzliche Parameter noch einen separaten Prediction-Head. Jede Entscheidung braucht genau einen Forward-Pass und erzeugt keine Antworttokens. Wegfallen damit das autoregressive Decodieren und das nachträgliche Parsen der Antwort. Beides durchlaufen Vision-Language-Modelle sonst auch dann, wenn der Ausgaberaum klein ist.

Im Training werden alle Grob-zu-fein-Stufen gemeinsam per Teacher Forcing in einem Forward-Pass überwacht. Nach Angaben der Autoren lassen sich so heterogene Raumdaten effizient nutzen. Das Paper behauptet, MJev-Spatial sei schneller und genauer als autoregressive Vision-Language-Modelle. Das ist eine Herstellerangabe.

Choice, Zahlenwert, Pointing: Drei Ausgabetypen mit festem Kandidatenraum

Das Modell kennt drei Ausgabetypen. Alle nutzen dieselbe Bewertungsschnittstelle. Bei Choice wählt es eine der mit der Anfrage gelieferten Optionen. Bei numerischen Aufgaben legt es zuerst ein grobes Wertintervall fest, dann ein feineres. Das gewählte Intervall wird anschließend zu einem Wert dekodiert.

Beim Pointing wählt das Modell in drei Stufen jeweils eine Region eines 3×3-Rasters. Zwischen den Stufen kodiert es den gewählten Ausschnitt erneut. Das Ergebnis ist der Mittelpunkt der Endzelle, ausgegeben als normalisierte Bildkoordinaten.

Die Kandidatenmenge gehört zum Aufgabenvertrag. Das Modell bewertet nur zulässige Kandidaten der jeweiligen Stufe. Aufgefüllte Positionen maskiert es. Zurück kommen die gewählte Option, die Scores und der Entscheidungspfad. Offene Antworten oder Begründungen sind nicht vorgesehen. Wer Freitext braucht, kann das Modell dafür nicht einsetzen.

Die Benchmark-Zahlen stammen nur aus einer Aggregator-Zusammenfassung

Konkrete Leistungszahlen kursieren bereits. Genannt werden sieben erste Plätze auf zwölf Benchmarks und eine 5,6-fach höhere Geschwindigkeit gegenüber dem Basismodell. Die Quelle ist allein eine Zusammenfassung des Aggregators chat-gpts.plus. Im vorliegenden Paper-Auszug fehlen die Zahlen, weil der Abstract abgeschnitten ist. Unabhängig belegt sind sie damit nicht. Prüfbar werden sie über die Ergebnistabellen des Papers (Benchmarks, Vergleichsmodelle, Hardware, Latenzmessung) und durch eigene Reproduktion mit dem Checkpoint.

Ein verwandtes Projekt, mJev-Qwen3-VL-4B-RLCD von SoMark, arbeitet ebenfalls mit Kandidatenauswahl. Auf 195 Fragen eines Teilsets stieg die Genauigkeit dort von 77,95 auf 80,00 Prozent. Ein Zusammenhang mit MJev-Spatial geht aus dem Material nicht hervor. Die Modellkarte selbst betont, dass damit keine breitere Benchmark-Leistung belegt ist.

Anwendungsfelder wie Robotik, Augmented Reality oder autonome Navigation nennen lediglich Benchmark-Papiere zum Thema. MJev-Spatial selbst tut das nicht. Interessant dürfte das Modell vor allem für Teams sein, deren Antwortraum fest vorgegeben ist.