Imagine3D-LLM 让多模态大模型先“想象”出紧凑 3D 场景再作答，在 SPAR-Bench 上以 7B 规模取得 68.5 平均分
该工作提出 Imagine3D-LLM：在图像 token 之后追加一小组可学习的 Gaussian summary token，将其解码为紧凑的 3D Gaussian Splatting 表示，并用光度重建损失与标准下一 token 预测联合训练，使多视图多模态大模型在作答前先组装一个粗略的 3D 场景表示；在七个空间推理与 3D 场景理解基准上一致优于此前方法，SPAR-Bench 平均分达 68.5，超过最强空间感知基线 3DThinker-7B 5.2 分。