尽管进展迅速，但大多数由2D视觉输入构建的现有视觉语言模型（ VLM ）在处理需要细粒度空间理解和推理的各种3D任务时通常会遇到困难。为了弥合这一差距，我们提出了VLM-IE3D ，这是一个统一的框架，通过为VLM配备从RGB视频中学习的隐式和显式3D几何形状来增强VLM的3D空间感知

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.21595v1)获取最准确的信息。

---
🔗 **原文链接**: [3D-Aware VLMs with Implicit and Explicit Geometries](https://arxiv.org/abs/2607.21595v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Wenhao Li, Xueying Jiang, Quanhao Qian, Deli Zhao, Ran Xu, Shijian Lu, Gongjie Zhang

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-24 14:01