DK-VLM：几何位置增强视觉语言模型空间推理

2026年10月16日，arXiv Computer Vision 刊出 Han Su 等作者的研究，提出 DK-VLM 模型。该模型的核心是 Dual-Kernel Attention（双核注意力）：从视觉 token 的输入位置和其在场景中的几何位置分别计算注意力。其中语义核保留预训练模型的注意力与位置编码；几何核利用估计的 3D 点和相机位姿，通过点位移与相对视角变换直接调制注意力；两路输出再由学习门控融合。报道同时提到 Reference-Frame Composition 监督方法。该报道为目前唯一来源，未出现与早先报道矛盾的数字、时间或说法。

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。