一种用于单目腹腔镜视频无训练代理推理的 4D 表示方法

时空推理是人工智能在软组织手术中的关键能力。针对手术场景的空间复杂性，本文提出一种基于显式 4D 表示的框架，赋予手术代理时空工具，使其能将自然语言推理锚定于时间与三维空间。通过整合点追踪、深度估计与分割模型，构建具有一致语义的 4D 模型。多模态大语言模型（MLLM）作为代理，直接利用该 4D 衍生的工具（如轨迹）进行推理，无需微调。实验表明，该方法显著提升了时空理解与 4D 接地能力，证明了无需额外训练即可组装出时空智能系统。