GeoThinker-F
一种让多模态大语言模型内生预测空间表示、摆脱外部3D几何编码器依赖的空间智能框架，采用两阶段解耦训练策略
时间轴 (近 90 天)
GeoThinker-F 是一个让多模态大语言模型（MLLM）摆脱外部3D编码器依赖的空间智能框架，通过让模型内生预测所需的空间表示来实现空间推理。
GeoThinker-F 的训练过程被拆分成两个阶段：第一阶段冻结MLLM主干，只训练轻量级的隐帧预测（LFP）头；第二阶段移除外部3D专家，联合优化空间接地时序融合（SGT）模块。
SGT模块的参数量远小于一个完整的3D编码器，这是实现3.6倍加速的主要来源之一。
GeoThinker-F 在多个空间智能基准上保持了有竞争力的表现，同时实现了显著的效率提升。
GeoThinker-F 实现了推理速度最高提升3.6倍。
GeoThinker-F 将延迟从1.45秒降至0.40秒。
GeoThinker-F 在运行时完全摆脱对3D几何编码器的依赖。
目前公开的信息仅来自研究摘要，缺少完整论文中的实验细节，如LFP头的具体架构设计、SGT融合模块的实现方式、评测基准、基线比较以及3.6倍加速的硬件条件和输入规模。
全部知识事实 (8)
GeoThinker-F 是一个让多模态大语言模型（MLLM）摆脱外部3D编码器依赖的空间智能框架，通过让模型内生预测所需的空间表示来实现空间推理。
50%待验证GeoThinker-F 的训练过程被拆分成两个阶段：第一阶段冻结MLLM主干，只训练轻量级的隐帧预测（LFP）头；第二阶段移除外部3D专家，联合优化空间接地时序融合（SGT）模块。
50%待验证SGT模块的参数量远小于一个完整的3D编码器，这是实现3.6倍加速的主要来源之一。
50%待验证GeoThinker-F 在多个空间智能基准上保持了有竞争力的表现，同时实现了显著的效率提升。
50%待验证GeoThinker-F 实现了推理速度最高提升3.6倍。
50%待验证GeoThinker-F 将延迟从1.45秒降至0.40秒。
50%待验证GeoThinker-F 在运行时完全摆脱对3D几何编码器的依赖。
50%待验证目前公开的信息仅来自研究摘要，缺少完整论文中的实验细节，如LFP头的具体架构设计、SGT融合模块的实现方式、评测基准、基线比较以及3.6倍加速的硬件条件和输入规模。
50%