IXThinker·2025-10-20 21:00

Meta開源DepthLM VLM不改架構懂3D深度

視覺語言模型擅長「看圖加文字對話」，但從二維圖像理解三維空間結構一直是弱項。Meta開源的DepthLM首次證明，毋須改動VLM標準架構也能實現媲美純視覺模型的3D理解能力。

VLM的3D短板

視覺語言模型在語義理解、視覺問答、圖像指令等任務上表現優異，然而在從2D圖像推斷3D空間結構方面明顯薄弱，以往往往要依靠改動架構的純視覺模型才能勝任深度估計。