相机位姿条件化

SpaceMind：面向视觉语言模型空间推理的相机引导模态融合

SpaceMind: Camera-Guided Modality Fusion for Spatial Reasoning in Vision-Language Models

把相机表示当作主动引导模态、在语言模型前用轻量融合模块对空间 token 做相机条件化偏置与门控，这一思路可直接迁移到任何需要几何 grounding 的 RGB-only VLM 中，替代浅层特征拼接。