已收录文章摘要，完整内容可前往原文阅读。
过去，图像有Patch、语言有Token，而3D却长期被点云、体素、Mesh、NeRF、3DGS等不同表示体系割裂开来。 如今研究正在发生变化：3D几何、空间关系和场景信息开始被编码成Token，让三