时序推理基准

VLM-3R：以指令对齐三维重建增强的视觉语言模型

VLM-3R: Vision-Language Models Augmented with Instruction-Aligned 3D Reconstruction

把单目视频帧经几何编码器转成隐式 3D 空间 token 与相机运动 view token，再与语言模型对齐，为视觉研究者提供了一条无需外部深度传感器或预建 3D 地图即可让 VLM 获得空间与时序推理能力的可复用路径。