SPARGen：原生多模态生成统一空间感知与推理

从视觉观察中进行空间感知与推理，需要恢复几何结构、建立对应关系并理解空间关系。现有方法通常使用任务特定的架构或外部几何模块分别处理这些能力，限制了对同一物理场景互补表示之间的知识迁移。我们引入了SPARGen，一个统一的多模态框架，将3D重建、密集对应和空间推理视为指令条件生成任务。SPARGen将紧凑的结构化和语言输出序列化为令牌序列，同时以图像对齐的形式生成密集几何场，使得空间监督能够共同塑造原生多模态生成模型中的共享表示。在3D重建、对应和空间推理基准上的实验表明，SPARGen在单一原生多模态生成框架内，在异构空间任务上实现了具有竞争力的性能。