GeoLatent：几何引导的隐结构分解与路由优化用于 3D 推理

arXiv 论文 GeoLatent 针对从 2D 图像进行 3D 空间推理的难题，提出将几何隐状态分解为位置、方向和全局几何，并用 Common-Residual Geometry Alignment（CR-GEO）与 routed optimization 联合训练几何与语言。受控对比中，CR-GEO 将几何有效秩从 1.00 提升至 3.87，瓶颈处阻断隐读取使方向准确率从 89.1% 降至 25.8%，最终在 SPAR-Bench 达 73.0%、SPBench 达 72.1%。

此前基于文本 token 描述中间几何会损失连续空间关系，而单一连续隐表示又难以分离不同空间任务所需线索。该工作把几何监督拆成共享与残差部分，并显式验证隐表示被真实使用，而非被注意力旁路。

证据显示，分解后的几何表示仍可能坍缩到单一主导方向，且无约束注意力会让隐变量在答案学习中未被充分利用。CR-GEO 通过分离共享与残差教师几何维持多方向结构；routed optimization 先暂时把视觉答案学习导向隐变量，再恢复完整注意力并保留几何监督。

对做 3D 空间理解、机器人或 AR 类多模态产品的团队，该结果提示可用几何分解监督替代纯文本中间表示，并通过阻断隐读取的消融来验证表示是否真正参与推理，从而降低把答案能力误判为空间推理能力的风险。

• 在自有 3D 空间问答数据上复现 CR-GEO 的有效秩指标，作为隐表示是否坍缩的常规监控项。
• 在模型评测中加入瓶颈隐读取阻断实验，区分真实空间推理与语言先验带来的答案。
• 针对机器人或 AR 场景，评估将位置、方向、全局几何拆成独立监督信号的训练管线改造成本。

• CR-GEO 与 routed optimization 的完整实现细节和超参数是否足以复现 73.0% 与 72.1% 的结果？
• 这些提升在 SPAR-Bench 与 SPBench 之外的 3D 推理基准上是否同样成立？
• 该方法相对基线在训练成本、推理延迟和显存占用上的代价是多少？
• 论文是否已通过同行评审或有独立第三方复现？