迈向相机鲁棒的 3D 定位：面向多模态大语言模型的方程锚定工具使用

多模态大语言模型（MLLMs）中的 3D 定位受限于相机内参模糊性。现有方法要么忽略相机参数，要么仅将外部工具返回的深度信息作为参考提示，导致相机信息无法确定性传播。本文提出一种方程锚定的工具使用框架，将空间工具重构为公式变量。该框架主动检索相机内参并采样多点度量深度，在思维链中显式写出针孔反投影方程，并将工具输出代入公式以回归最终的 9 自由度边界框。实验表明，该方法在不同相机尺度下显著优于基线。