多视角三维视觉语言模型存在视角诱导的语义漂移：同一物体和同一提问，换一个相机视角，目标相关响应就会变弱、弥散或偏移。LieVLM 让几何令牌预测局部旋转参数和通道门控，在预训练视觉特征的三维子空间上施加保长的旋转修正，再把修正量门控后融回原表示。在 ScanRefer 上，LieVLM-8B 取得 64.5 的 Acc@0.25 和 57.2 的 Acc@0.5，在相同提案细化协议下比已发表的 VG LLM-8B 分别高 6.9 和 6.3 点。
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。
ELSA3D提出弹性语义锚定，用尺度感知八叉树分词器表示几何，并引入稀疏跨模态的Anchor Tokens，将语义线索路由到最相关的3D尺度并回写融合信号，配合逐块轻量路由器实现弹性计算与推理，在图像到3D生成、文本到3D生成和3D描述上取得最优性能，超过最强统一基线，且相对同模型非弹性版本将FLOPs和推理延迟约减半。
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。
已读完全部报道