SpatialLM

目前值得把 SpatialLM 视为“值得关注的空间理解模型”，但还不宜按通用成熟平台来采用。证据能支持它在 3D 场景认知上有明确方向：输入点云、重建结果或部分视频/LiDAR来源，输出墙、门、窗、物体边界框与语义。更准确的类比是“3D 场景 parsing / spatial reasoning 模型”，不是聊天机器人，也不是完整的 CAD/BIM 建模软件。

实际作用集中在把杂乱三维数据整理成可计算的结构化场景层，可用于机器人感知前处理、室内数字化、交互式场景理解或下游检索与规划。部分证据提到 1.1/1.5 版本扩展到手持视频重建、LiDAR、合成网格采样及对非结构化点云的鲁棒性，但这些多来自介绍帖与转述，能说明能力方向，不等于稳定交付承诺。热度证明主要来自 X 上大量转发和高浏览；好用证明则更多依赖少量讲解文章、版本说明和个别“messing around”式试玩，实测样本仍有限。

门槛与成本方面，现有证据只支持保守判断：它不是开箱即用的消费级工具，而更像研究或工程团队要接入的数据处理模型。证据里没有可靠官方定价、API 费用或稳定商用套餐信息，因此不能推断使用成本；可确定的成本主要是三维数据采集、重建流程、算力和工程集成，这属于保守推断，不是官方报价。若你的输入本身是噪声较大的扫描、视频重建或多源点云，还要额外承担数据清洗与评测成本。

适合有 3D 数据管线、机器人/空间计算/室内理解需求的团队做评估，也适合研究者关注“语言模型扩展到空间智能”的路线；不太适合只想要文本问答、2D 检测或立即部署成稳定 SaaS 的用户。社媒共识总体偏正面，普遍认为“空间大模型”方向新鲜且有想象力，但讨论质量偏两极：高热度转发和榜单式传播很多，深入 benchmark、失败案例和长期生产验证很少；知乎与 X 上有一定教程/解读价值，但评论互动少、样本有限，因此现阶段更像高关注度早期项目，而非已被广泛验证的基础设施。