三维场景理解

场景即词元：面向通用三维视觉语言理解的多尺度正态分布变换分词器

Scenes as Tokens: Multi-Scale Normal Distributions Transform Tokenizer for General 3D Vision-Language Understanding

把高分辨率点云经多尺度 NDT 表示压缩成 LLM 可消费的整体场景 token，并用同一个解码器同时承担点/框/掩码提示编码与掩码解码，为 3D VLM 提供了一套可复用的「场景分词 + 统一提示接口」范式。