一、文章主要内容总结
该研究聚焦多模态大语言模型（MLLMs）在3D场景理解中的局限性，核心围绕“MLLMs预训练缺乏明确3D数据导致3D表征能力不足”这一问题展开，主要内容如下：
问题提出与核心研究：现有MLLMs依赖2D预训练知识迁移实现3D推理，但缺乏3D感知能力。研究通过多视图对应性评估MLLMs的3D感知水平，发现3D感知表征质量与下游任务性能呈强正相关。
解决方案：3DRS框架：提出3D感知表征监督框架（3DRS），利用预训练3D基础模型（如VGGT、FLARE）的丰富3D知识，通过特征蒸馏将MLLM的视觉特征与3D基础模型的特征对齐，增强MLLMs的3D感知能力。框架同时结合传统文本监督与3D专属监督，且无额外训练开销（监督特征可离线预提取）。
实验验证：在6个3D场景理解基准（包括视觉定位、字幕生成、问答等任务）上，对LLaVA-Next-Video、LLaVA-One-Vision、Qwen2-VL等MLLMs进行测试，结果显示3DRS持续提升模型性能，且在与现有SOTA模型对比中表现最优。
辅助分析：通过消融实验验证了3D基础模型优于2D基础模型、深层监督效果更佳、3D专属监督比简单对应性损失更有效等结论。
二、文章创新点
系统性评估MLLMs的3D感知能力：提出基于多视图对应性的评估方法，量化MLLMs对同一3D体素在不同视图下的特征一致性，首次明确
