**VLM3：视觉语言模型是原生3D学习者**

_VLM3: Vision Language Models Are Native 3D Learners_

> 本文提出VLM3方法，通过焦距统一、基于文本的像素参考和数据混合缩放，使标准视觉语言模型无需复杂架构即可掌握多种3D任务，深度估计精度从0.84提升至0.9，并匹配专家模型性能，开辟了简单可扩展的3D学习新范式。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-01 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.30561)