**从视频中学习几何表示以构建空间智能多模态大语言模型**

_Learning Geometric Representations from Videos for Spatial Intelligent Multimodal Large Language Models_

> GeoVR 框架利用二维视频序列学习几何表示，通过蒸馏三维基础模型的知识来重塑多模态大语言模型的内部表示，从而解锁空间智能。该方法通过多目标学习策略显著提升了多模态大语言模型的空间推理能力，在多项基准测试中达到了最优性能。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.05833)