多视角3D场景不必逐层算完：GeoGR压到一成算力，仍保住95%以上性能
多视角3D视觉语言模型把场景拆成32个视角后会产生六千多个视觉token，推理开销很大。GeoGR分两级压缩：投影端把跨视角观测合并成体素token，并按语义显著性与空间覆盖挑选，未选中的体素特征并入上下文锚点；LLM端只在中间层窗口内计算视觉token，低相关token可跳过整层但保留隐状态，到锚点层重新评分并可回归。在LLaVA-OneVision-7B与Video-3D LLM-7B上，它分别保留稠密模型95.2%和96.8%的性能，LLM预填充与首token时延明显加快。