远程协作里的“低延迟”通常先指音视频传输,但在虚拟空间中,体验还取决于指针、模型状态和字幕是否对得上同一句话。用户听见“看这个部件”时,如果另一端的高亮还停留在上一个位置,即使视频画面流畅,讨论仍然会中断。本文把问题拆成媒体链路、空间状态和 AI 语义处理三个时延账本,解释 WebRTC、选择性转发与状态同步分别承担什么职责。我们认为,空间协作不应把所有数据塞进同一种传输策略:语音需要连续性,姿态需要新鲜度,确认后的对象修改需要可靠顺序。对于加入实时翻译和会议理解的系统,评估还必须记录用户等到“可用含义”的时间。本文具体讨论架构取舍,不提供未经实测的毫秒级性能承诺,也不表示本站已有实时通信后台。