MAG-3D：用于 3D 理解的多智能体具身推理

视觉语言模型在多模态理解中表现优异，但 3D 场景中的具身推理仍待探索。有效 3D 推理依赖精准定位：需先识别相关对象与区域，再推导其空间几何关系。现有方法常依赖特定领域训练或手工流程，限制了灵活性。本文提出 MAG-3D，一种无需训练的多智能体框架，利用现成视觉语言模型进行具身 3D 推理。该框架动态协调专家智能体：规划智能体分解任务并统筹全局，定位智能体执行自由形式 3D 定位与帧检索，编码智能体通过可执行程序进行灵活几何推理与验证。