arXiv 2026年10月2日OctLLM 把网格转成坐标与深度锚定的稀疏八叉树（S-Octree）占用字节序列作为显式三维语言，并将三维容量放入与预训练权重分离的全秩分支，仅训练约 2.80B 参数；在统一多模态 LLM 中取得最佳三维生成与理解，图像到三维 Inception FID 由 ShapeLLM-Omni 的 38.21 降至 31.58，渲染接地描述评分由 18.14 升至 46.88，同时在 MMLU 与 HellaSwag 上完全复现骨干、GSM8K 相差不到一分。OctLLM 把网格转成坐标与深度锚定的稀疏八叉树（S-Octree）占用字节序列作为显式三维语言，并将三维容量放入与预训练权重分离的全秩分支，仅训练约 2.80B 参数；在统一多模态 LLM 中取得最佳三维生成与理解，图像到三维 Inception FID 由 ShapeLLM-Omni 的 38.21 降至 31.58，渲染接地描述评分由 18.14 升至 46.88，同时在 MMLU 与 HellaSwag 上完全复现骨干、GSM8K 相差不到一分。OctLLM 用八叉树占用字节作为显式三维语言，在统一多模态模型中同时提升三维生成与理解并保持语言能力OctLLM 把网格转成坐标与深度锚定的稀疏八叉树（S-Octree）占用字节序列作为显式三维语言，并将三维容量放入与预训练权重分离的全秩分支，仅训练约 2.80B 参数；在统一多模态 LLM 中取得最佳三维生成与理解，图像到三维 Inception FID 由 ShapeLLM-Omni 的 38.21 降至 31.58，渲染接地描述评分由 18.14 升至 46.88，同时在 MMLU 与 HellaSwag 上完全复现骨干、GSM8K 相差不到一分。OctLLM 把网格转成坐标与深度锚定的稀疏八叉树（S-Octree）占用字节序列作为显式三维语言，并将三维容量放入与预训练权重分离的全秩分支，仅训练约 2.80B 参数；在统一多模态 LLM 中取得最佳三维生成与理解，图像到三维 Inception FID 由 ShapeLLM-Omni 的 38.21 降至 31.58，渲染接地描述评分由 18.14 升至 46.88，同时在 MMLU 与 HellaSwag 上完全复现骨干、GSM8K 相差不到一分。