GeoAlign：用于多模态大模型空间推理的几何特征重对齐

多模态大模型（MLLM）在视觉任务中表现优异，但在空间推理方面仍显不足。现有方法通过注入 3D 基础模型的几何特征来缓解此问题，但依赖静态单层提取，导致任务错位偏差。为此，本文提出 GeoAlign 框架，动态聚合多层几何特征以适配实际需求。该方法构建分层几何特征库，利用 MLLM 原始视觉令牌作为内容感知查询，执行逐层稀疏路由，自适应获取各图块的适宜特征。实验表明，该紧凑模型在多个基准上达到最先进水平。