VLM³：Meta以标准视觉语言模型架构统一处理三维视觉任务的模型

VLM³是Meta于2026年5月发布的三维视觉模型，代码位于facebookresearch/VLM3仓库。其做法是沿用标准视觉语言模型架构，通过文本式监督微调训练，把多种三维视觉任务统一到文本输出，覆盖物体级三维理解、度量深度估计、像素对应和相机位姿估计四类任务。相比为每类任务设计专用结构，统一建模简化了设计与工程接入，也便于复用VLM的预训练能力，详情见GitHub仓库。