中山大学 SpatialSV：用 3D 几何监督打破多模态大模型空间智能黑盒

中山大学团队提出 SpatialSV，通过从 MLLM 中间隐藏层提取特征并预测深度图、射线图和点云图，将 2D 视觉特征提升为显式 3D 几何表达，训练后卸载全部 3D 预测头，推理零额外延迟。在 Qwen2.5-VL-3B 上仅保留 50% 文本标注时，加入自动生成的 3D 几何监督后空间问答准确率从 47.2% 回升至 53.9%，接近全量标注的 55.3%。