# 分层几何基础模型-视觉语言模型融合

该工作提出 AdaGeoVLN 流式视觉语言导航框架，将 VGGT 几何基础模型在深度 11、17、23 的中间表示分别耦合到 Qwen3.5-4B 的前三个解码层，并按指令相关性、几何置信度与转移新颖度在固定预算下保留历史 VGGT 全局注意力 KV 状态，在 R2R-CE 与 RxR-CE Val-Unseen 上仅用单路 RGB 流、不额外使用导航专用外部数据即取得 55.7%/51.4% 与 54.1%/44.7% 的 SR/SPL，消融显示多深度耦合显著优于在相同融合位置重复注入末端特征，且受限的导航感知保留在降低 GFM-KV 内存的同时保持导航性能。

该工作提出 AdaGeoVLN 流式视觉语言导航框架，将 VGGT 几何基础模型在深度 11、17、23 的中间表示分别耦合到 Qwen3.5-4B 的前三个解码层，并按指令相关性、几何置信度与转移新颖度在固定预算下保留历史 VGGT 全局注意力 KV 状态，在 R2R-CE 与 RxR-CE Val-Unseen 上仅用单路 RGB 流、不额外使用导航专用外部数据即取得 55.7%/51.4% 与 54.1%/44.7% 的 SR/SPL，消融显示多深度耦合显著优于在相同融合位置重复注入末端特征，且受限的导航感知保留在降低 GFM-KV 内存的同时保持导航性能。