区域token

基于视觉定位的3D感知空间视觉语言建模

Grounded 3D-Aware Spatial Vision-Language Modeling

把「生成时插入区域 token」的隐式视觉定位与区域提示的单目 3D 框预测结合，可作为 VLM 空间推理的可复用范式：在解码过程中动态引用视觉证据，并用内参感知归一化与稠密几何监督把 2D 定位升级为 3D 推断。