arXiv 2026年9月25日作者提出 IOSVLM——一个以点云表示口内扫描（IOS）、采用 3D 编码器-投影器-LLM 架构的端到端三维视觉语言模型，并构建 IOSVQA 数据集（19,002 例、249,055 条 VQA、23 种口腔疾病、单牙弓与咬合遮挡牙弓两类扫描），配合几何到色彩代理（GCP）与两阶段课程训练，在 IOSVQA 上取得 77.23% 宏准确率与 50.39% 宏 F1，优于包括 GPT-5 与 Gemini 3 Pro 在内的多类基线。作者提出 IOSVLM——一个以点云表示口内扫描（IOS）、采用 3D 编码器-投影器-LLM 架构的端到端三维视觉语言模型，并构建 IOSVQA 数据集（19,002 例、249,055 条 VQA、23 种口腔疾病、单牙弓与咬合遮挡牙弓两类扫描），配合几何到色彩代理（GCP）与两阶段课程训练，在 IOSVQA 上取得 77.23% 宏准确率与 50.39% 宏 F1，优于包括 GPT-5 与 Gemini 3 Pro 在内的多类基线。IOSVLM 直接以原生 3D 口内扫描点云做多病种诊断，宏准确率 77.23%，比 Gemini 3 Pro 高 9.58 个百分点作者提出 IOSVLM——一个以点云表示口内扫描（IOS）、采用 3D 编码器-投影器-LLM 架构的端到端三维视觉语言模型，并构建 IOSVQA 数据集（19,002 例、249,055 条 VQA、23 种口腔疾病、单牙弓与咬合遮挡牙弓两类扫描），配合几何到色彩代理（GCP）与两阶段课程训练，在 IOSVQA 上取得 77.23% 宏准确率与 50.39% 宏 F1，优于包括 GPT-5 与 Gemini 3 Pro 在内的多类基线。作者提出 IOSVLM——一个以点云表示口内扫描（IOS）、采用 3D 编码器-投影器-LLM 架构的端到端三维视觉语言模型，并构建 IOSVQA 数据集（19,002 例、249,055 条 VQA、23 种口腔疾病、单牙弓与咬合遮挡牙弓两类扫描），配合几何到色彩代理（GCP）与两阶段课程训练，在 IOSVQA 上取得 77.23% 宏准确率与 50.39% 宏 F1，优于包括 GPT-5 与 Gemini 3 Pro 在内的多类基线。