Loc3R-VLM：基于视觉 - 语言模型的语言定位与 3D 推理

多模态大语言模型在连接视觉与语言方面进展显著，但在空间理解和视角感知推理上仍显不足。现有工作多通过增加几何线索增强输入，而非显式教导模型进行 3D 推理。本文提出 Loc3R-VLM 框架，利用单目视频输入赋予 2D 视觉 - 语言模型高级 3D 理解能力。受人类空间认知启发，该框架采用全局布局重建和显式情境建模两个联合目标，提供直接的空间监督，将感知与语言锚定于 3D 语境中。结合预训练 3D 基础模型提取的轻量级相机位姿先验，确保几何一致性与度量尺度对齐。实验表明，该方法在语言定位任务中达到最先进水平，并在 3D 问答基准测试中优于现有方法。