GeoThinker-F：无需外部3D编码器的空间智能框架

2026年10月15日，arXiv Computer Vision 刊出 Haoyuan Li 等作者的论文，提出高效空间智能框架 GeoThinker-F。该框架通过将因果 MLLM 隐藏状态转化为预测性潜在世界表征，让模型内化时空感知，从而在推理时不再依赖外部 3D 几何编码器。据论文描述，其训练分两阶段：第一阶段冻结 MLLM 主干，由轻量级 Latent Frame Prediction（LFP）头从离线 3D 几何专家和下一帧语义目标中学习；第二阶段移除外部专家，模型通过专门的 Spatial-Grounded Temporal（SGT）融合模块联合优化，生成并选择性整合自预测先验。论文称其推理最高加速 3.6 倍，延迟从 1.45 秒降至 0.40 秒，同时保持较强的空间推理性能。目前进展停留在论文发布层面，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。