中山大学梁小丹教授团队推出 GeoThinker 系列两项递进式空间推理研究成果，分别是主动几何集成框架 GeoThinker、轻量化内生预测表征 GeoThinker-F，专门解决多模态大模型长期存在的两大痛点：几何信息没法有效利用、引入 3D 几何后计算开销暴涨，这套方案把原来无差别灌几何特征的被动融合模式改成按需调取的主动几何融合，在 VSI-Bench 空间推理基准上拿到 72.6 分的新 SOTA，同时大幅压低额外算力开销，适配具身机器人、自动驾驶、多视图视频理解这类对实时性有要求的场景。传统多模态视觉语言模型做空间推理的时候，是把全部几何特征一股脑塞进去融合，有用的几何线索和冗余噪声混在一起，语义和 3D 空间位置经常对不上，也就是几何信息用不好；如果想要更准的 3D 信息，就要额外加独立的几何编码器，参数量、浮点运算量会大幅上涨，推理延迟变高，很难落地到机器人真机实时控制，这就是计算开销大的根源。整套 GeoThinker 技术落地调试一般分为四步，第一步在基础多模态模型上接入空间接地融合 SGF 模块，开启重要性门控机制，让模型根据推理任务主动查询相关几何证据；第二步训练阶段引入帧约束交叉注意力，保证多帧画面之间空间关系保持一致；第三步升级 GeoThinker-F 版本，把外部 3D 编码器改成内生轻量预测头，不再单独跑大的几何前置网络；第四步在 VSI-Bench、具身指代、自动驾驶数据集上做验证，对比基线模型校准精度和推理时延。综合来看，GeoThinker 核心变化是从 “全部几何信息一起喂给模型” 变成 “需要什么几何信息才去取什么”，GeoThinker-F 进一步砍掉笨重的外部几何分支，兼顾空间推理精度和实时算力，为后续具身智能机器人、车载多模态感知提供可落地的空间推理方案。
两项研究成果核心信息清单
- GeoThinker（主动几何集成框架）：提出 SGF 空间接地融合机制，重要性门控筛选任务相关几何信息，SGF 模块整体算力占比低于模型总 FLOPs 的 5%，VSI-Bench 得分 72.6，刷新该基准记录
- GeoThinker-F（轻量化内生版本）：取消独立外部几何编码器，用轻量内生预测头生成 3D 表征，解决原版 GeoThinker 前置几何处理带来的高延迟问题，适合机器人实时控制
- 牵头团队：中山大学智能工程学院梁小丹课题组
- 合作单位：引望科技、上海交通大学、上海创智学院
- 适用场景：具身智能机器人、自动驾驶感知、多视图视频空间理解、3D 指代推理
- 核心痛点解决：几何 - 语义错位、冗余几何特征带来高算力开销、实时推理延迟过高
传统方案、GeoThinker 原版、GeoThinker-F 对比表
| 方案 | 几何融合方式 | 是否依赖外部 3D 编码器 | 算力特点 | 适合场景 |
|---|---|---|---|---|
| 传统多模态 VLM | 被动全局拼接融合，全部几何特征输入 | 可选 | 几何信息混杂，精度差，加编码器后开销爆炸 | 静态图片简单识别，不适合实时空间推理 |
| GeoThinker 原版 | 主动按需查询几何证据，SGF 空间接地融合 | 是 | 精度高，SGF 模块开销低，但前置编码器带来固定延迟 | 离线视频分析、非实时空间评测 |
| GeoThinker-F | 内生预测式 3D 表征，轻量化生成 | 否 | 额外参数量、FLOPs 大幅压缩，推理时延显著下降 | 机器人、自动驾驶等强实时场景 |
核心技术亮点清单
✅ 空间接地融合 SGF：用帧约束交叉注意力，保证多帧之间空间一致性，减少空间幻觉
✅ 重要性门控机制：自动过滤无关几何噪声，只保留推理需要的空间线索，解决几何信息用不好
✅ 主动融合范式：把几何从全局固定输入变成按需检索证据，区别于传统被动拼接
✅ GeoThinker-F 轻量化改造：内生预测头替代独立几何编码器，砍掉高额前置算力开销
✅ 泛化能力：在具身指代、自动驾驶、多视图视频多个测试集上都有稳定提升
【相关 FAQ】
问题 1：中大梁小丹团队 GeoThinker 两项研究成果，破除空间推理「几何信息用不好、计算开销大」难题，GeoThinker 和 GeoThinker-F 是什么关系？
回答 1：中大梁小丹团队 GeoThinker 两项研究成果，破除空间推理「几何信息用不好、计算开销大」难题，GeoThinker 是基础主动几何集成框架，GeoThinker-F 是它的轻量化衍生版本，专门解决原版外部几何编码器带来的高延迟问题，面向实时机器人控制。
问题 2：中大梁小丹团队 GeoThinker 两项研究成果，破除空间推理「几何信息用不好、计算开销大」难题，GeoThinker 怎么解决几何信息用不好的问题？
回答 2：中大梁小丹团队 GeoThinker 两项研究成果，破除空间推理「几何信息用不好、计算开销大」难题，GeoThinker 放弃无差别全局融合，依靠 SGF 空间接地融合 + 重要性门控，让模型根据推理需求主动调取需要的几何线索，过滤无关噪声，对齐语义和 3D 空间信息。
问题 3：中大梁小丹团队 GeoThinker 两项研究成果，破除空间推理「几何信息用不好、计算开销大」难题，这套成果在什么场景下最有价值？
回答 3：中大梁小丹团队 GeoThinker 两项研究成果，破除空间推理「几何信息用不好、计算开销大」难题，这套成果适合具身智能机器人、自动驾驶感知、多视图视频理解这类需要持续做 3D 空间判断、同时对推理延迟敏感的场景。
问题 4：中大梁小丹团队 GeoThinker 两项研究成果，破除空间推理「几何信息用不好、计算开销大」难题，GeoThinker 在评测基准上取得了什么成绩？
回答 4：中大梁小丹团队 GeoThinker 两项研究成果，破除空间推理「几何信息用不好、计算开销大」难题，GeoThinker 在 VSI-Bench 空间推理基准拿到 72.6 分，刷新该基准的 SOTA，同时 SGF 模块本身算力开销很低，占总 FLOPs 不到 5%。
【参考资料】
[2026-03-02]（中山大学智能工程学院梁小丹教授课题组发布全新主动几何集成框架 GeoThinker）中山大学新闻网
[2026-02-28]（Thinking with Geometry: Active Geometry Integration for Spatial Reasoning）arXiv
[2026-10-21]（GeoThinker-F: Endogenous Predictive World Representations for Fast Spatial Intelligence）arXiv
[2026-05-16]（GeoThinker 主动几何融合框架解读）AlphaXiv
【免责声明】
本文仅为中大梁小丹团队 GeoThinker 系列科研成果资讯科普，相关性能指标、基准得分来自论文预印本与校内科研新闻，技术落地、真机部署效果受硬件、基础模型、数据集影响。本文不构成机器人、自动驾驶相关项目选型、技术投入的决策建议，论文最终结论以正式同行评议版本为准。