已收录文章摘要，完整内容可前往原文阅读。
“弱水三千，只取一瓢饮；取精用弘，方能致远。”在具身智能与三维空间理解中，3D VLM 虽凭借多视角几何观测获得了强大的空间推理能力，却也因数千个视觉 Token 的计算膨胀而深陷注意力与 KV Ca