LEO-VL：面向可扩展 3D 视觉语言学习的高效场景表示

基于摘要分析。本文研究 3D 视觉语言模型中场景感知能力与表示效率难以兼顾的问题，提出 condensed feature grid（CFG，凝练特征网格），以降低场景表示的 token 开销；在此基础上构建 LEO-VL，并提出用于提升鲁棒性的 SceneDPO 后训练方法。 核心机制方面，CFG 旨在以更少的 token 保留场景感知能力，从而缓解场景表示开销对 3D-VL 学习扩展性的限制。摘要未交代网格构建、特征凝练方式及其与语言模型的连接细节。SceneDPO 引入跨答案与跨场景的对比，但偏好数据构造、损失形式及训练流程尚未验证，不能仅凭名称推定其具体实现。 训练与评估方面，作者使用 700k 条 3D-VL 数据训练 LEO-VL，覆盖四个真实室内领域及包括 captioning、dialogue 在内的五类任务。作者报告，在 SQA3D、MSQA、Beacon3D 等 3D QA 基准上取得最先进性能，并报告表示效率、任务与场景多样性、规模扩展及 SceneDPO 相对 SFT 和 GRPO 的收益。摘要未提供具体指标、数值、数据划分或对照配置，因此这些结论仅能作为作者报告保留，尚不能量化比较。 复现核对重点包括 CFG 的 token 数与计算、显存开销，性能与效率的权衡，训练数据与评测场景的划分，以及 SceneDPO 与 SFT、GRPO 的数据和计算预算是否可比；实验协议、消融及统计信息尚未验证。本文的主要对象是室内 3D 场景理解，并非 EEG 或 BCI；摘要未提供与神经信号任务的具体机制对应，因此不据此推断 BCI 有效性或提出迁移实验。