Grounded 3D-Aware — Reconstruct While You Reason
모델이 방을 머릿속에서 다시 세우고, 추론하는 그 순간에 물체를 손가락으로 가리킨다면 어떨까. perceive-then-reason이 아니라 reconstruct-while-reason이라면, 지금까지의 모든 격차가 한 아키텍처 안에서 동시에 좁혀질 수 있을까.
🎯 학습 목표
- grounding이 전처리(SpatialRGPT)에서 생성 시점 interleaved 메커니즘(GR3D)으로 진화한 의미를 설명한다
- GR3D의 세 grounding mode가 각각 무엇을 입력·출력하며 hard 문제를 grounded-2D→3D-inference로 어떻게 분해하는지 분해한다
- VLM-3R이 depth 센서·사전 지도 없이 단안 영상만으로 implicit 3D token을 만들어 4D 추론을 하는 구조를 이해한다
- monocular 3D box의 intrinsic-aware normalization을 직접 구현하고, 서베이 세 격차 각각이 어느 챕터·논문에서 공략됐고 무엇이 남았는지 지도로 그린다
1장 BLINK의 진단으로 시작한 이 코스는 하나의 표현적 불일치를 추적해 왔다. 이산 언어 토큰과 연속 3D 기하 사이의 간극이다. 서베이 Spatial Reasoning in MLLMs가 정리한 세 격차 — projection bottleneck, patterns-not-physics, reference-frame instability — 는 매 챕터의 논문이 저마다 한 축씩 밀어붙인 목표였다. 데이터(2장), region grounding(3장), depth 도구(4장), 비디오 기억(5장), taxonomy(6장), perspective(7장), depth-native(8장), verifiable RL(9장)이 각각 한 조각씩을 옮겼다.
이제 그 조각들이 하나로 접히는 수렴점으로 들어간다. GR3D(An-Chieh Cheng 등, UCSD·MIT·NVIDIA, CVPR 2026)는 3장 SpatialRGPT와 같은 계보에서 나온 직계 후속이다. SpatialRGPT가 grounding을 입력 전처리 단계에 두었다면, GR3D는 그것을 생성 도중에 region token을 삽입하는 interleaved 메커니즘으로 끌어올리고, 단안 영상에서 camera-view 3D box까지 예측한다. grounding을 하나의 강력한 inductive bias로 재정의한 것이다.
VLM-3R(Chen 등, VITA-Group·NVIDIA, CVPR 2026)은 다른 각도에서 같은 수렴을 향한다. 3D reconstruction을 별도 모듈이 아니라 instruction tuning 안으로 직접 녹여, depth 센서도 사전 지도도 없이 단안 RGB 영상만으로 implicit 3D token을 만든다. 5장이 던진 비디오 공간 기억의 문제를, 재구성 기반 4D 추론으로 이어받는다. 이 마지막 장은 두 논문으로 코스를 묶되, 아직 풀리지 않은 문제들을 정직하게 나열하며 끝맺는다.
핵심 내용
재구성하며 추론한다
지금까지의 지배적 설계는 perceive-then-reason이었다. 먼저 depth를 뽑거나 region을 grounding하는 전처리를 끝내고, 그 결과를 고정된 컨텍스트로 삼아 언어 추론을 얹었다. 3장 SpatialRGPT의 depth-plugin도, 8장 DepthVLM의 depth-native 인터페이스도, 기하를 '먼저' 확보한 뒤 추론했다.
GR3D가 제안하는 전환은 순서를 바꾸는 것이다. grounding을 추론이 시작되기 전에 한 번 끝내는 전처리로 두지 않고, 텍스트를 생성하는 도중에 필요한 순간마다 region을 지목하고 3D를 추론하는 행위로 짜 넣는다. 모델이 답을 써 내려가다가 '이 물체'가 필요해지면 그 자리에서 region token을 뱉고, 그 grounded 근거 위에서 다음 문장을 잇는다.
이 차이가 왜 중요한가. 전처리형 grounding은 무엇을 grounding할지 미리 정해야 한다. 그러나 복잡한 공간 질문은 추론이 진행되면서 비로소 어떤 물체·어떤 관계가 결정적인지 드러난다. 생성 시점 grounding은 이 순서 의존성을 자연스럽게 흡수한다. 추론의 chain이 스스로 필요한 근거를 호출하는 구조다.
VLM-3R은 같은 철학을 재구성 쪽에서 실현한다. 장면의 3D 구조를 미리 완성된 지도로 넣어 주는 대신, geometry encoder가 만든 implicit 3D token을 언어 모델의 컨텍스트에 함께 흘려보내, 모델이 재구성된 공간을 참조하며 추론하게 한다. 두 논문 모두 grounding·reconstruction을 추론과 분리된 앞단이 아니라 추론 그 자체와 얽힌 과정으로 만든다. 이것이 이 장의 제목이 '재구성하며 추론한다'인 이유다.
GR3D의 세 grounding
GR3D는 하나의 VLM 안에 세 grounding mode를 담는다. 첫째, explicit 2D grounding이다. 질문이 명시적으로 지목한 region(박스·마스크)을 입력으로 받아, 3장 SpatialRGPT 계보 그대로 개별 인스턴스를 토큰으로 붙잡는다. 이것은 사용자가 '이것'과 '저것'을 미리 찍어 주는 경우다.
둘째, implicit 2D grounding이다. 여기가 SpatialRGPT로부터의 결정적 도약이다. 사용자가 region을 주지 않아도, 모델이 텍스트를 생성하는 도중에 스스로 필요한 region token을 텍스트 스트림에 on-the-fly로 삽입한다. 답을 쓰다가 결정적 물체가 필요하면 그 자리에서 자신이 그 region을 만들어 낸다. grounding이 입력의 성질에서 생성의 성질로 옮겨간 것이다.
셋째, monocular 3D grounding이다. region을 프롬프트로 받아 그 물체의 camera-view 3D bounding box를 예측한다. 단안 이미지에서 3D box를 내놓는 일은 스케일 모호성 때문에 원래 어렵다. GR3D는 intrinsic-aware normalization으로 카메라 내부 파라미터를 조건화하고, dense geometric supervision으로 이를 학습시킨다. 카메라를 모른 채 예측한 3D box는 데이터셋마다 스케일이 어긋나 비교 불가능해지는데, intrinsic 조건화가 이 어긋남을 정규화한다(이 절의 codeExample이 그 이유를 수치로 보인다).
세 mode를 관통하는 원리는 hard spatial 문제를 grounded-2D-perception → 3D-inference로 분해하는 것이다. 먼저 2D 평면에서 무엇이 어디 있는지 grounding으로 못박고, 그 위에서 3D 관계를 추론한다. GR3D는 이 grounding을 성능을 위한 장식이 아니라 효과적인 inductive bias로 자리매김하며, grounded 벤치와 non-grounded 벤치 양쪽에서 일관된 향상을 보고한다. grounding을 넣으면 grounding을 직접 묻지 않는 문제에서도 추론이 좋아진다는 것이다.
영상에서 4D로
GR3D가 단안 이미지 위에서 grounding을 심화했다면, VLM-3R은 축을 시간으로 넓힌다. 5장 VSI-Bench가 드러낸 문제는 비디오를 다 보고도 방을 머릿속에 유지하는 기억이 약하다는 것이었다. VLM-3R의 답은 3D reconstruction을 아예 instruction tuning 안으로 끌어들이는 것이다.
입력은 단안 RGB 영상 하나뿐이다. depth 센서도, 미리 만든 지도(SLAM 결과)도 요구하지 않는다. geometry encoder가 프레임들로부터 장면의 3D 구조를 유도해 implicit 3D token으로 인코딩한다. 이 토큰은 명시적 point cloud나 mesh가 아니라, 재구성된 기하를 압축한 학습된 표현이다. 8장 DepthVLM이 metric depth를 언어 인터페이스로 끌어들였듯, VLM-3R은 재구성 그 자체를 토큰 인터페이스로 끌어들인다.
구조의 중심은 Spatial-Visual-View Fusion이다. 공간(재구성 기하), 시각(외형), 시점(카메라 궤적에서 오는 view 정보) 세 스트림을 융합해 LLM에 넘긴다. 이는 7장 APC가 파고든 reference-frame 문제와 직접 맞닿는다. view를 명시적 스트림으로 다루면 egocentric 관측이 시간에 따라 어떻게 변하는지를 모델이 추적할 수 있다.
이 능력을 학습·평가하기 위해 VLM-3R은 20만 쌍이 넘는 3D-reconstructive instruction-tuning QA를 만들고, Vision-Spatial-Temporal Intelligence(VSTI) 벤치마크를 도입한다. VSTI는 진화하는 공간 관계를 다루는 5개 과제에 걸쳐 약 138.6K QA로 구성된다. 정지된 단일 이미지의 3D가 아니라, 시간에 따라 물체와 시점이 함께 변하는 4D 추론을 겨냥한 것이다. 여기서 코스의 축은 정적 3D에서 동적 4D로 넘어간다.
세 격차를 되짚다
이제 코스 전체를 서베이의 세 격차 위에 겹쳐 본다. 각 격차가 어느 챕터·논문에서 공략됐고, GR3D·VLM-3R에서 어떻게 종합되는지, 그리고 무엇이 여전히 남았는지를 정리하면 다음과 같다.
| 서베이의 격차 | 무엇이 문제인가 | 어느 챕터·논문이 공략했나 | GR3D·VLM-3R의 종합 | 아직 남은 것 |
|---|---|---|---|---|
| projection bottleneck | 2D encoder가 semantic alignment용으로 토큰화, 3D 기하 미보존 | depth-plugin(3장), depth 도구(4장), depth-native(8장) | implicit 3D token으로 재구성 기하를 토큰화(VLM-3R), monocular 3D box 예측(GR3D) | metric depth·grounding·추론·생성을 task-specific head 없이 한 foundation model로 통합 |
| patterns-not-physics | co-occurrence 통계 악용, 기하 법칙 미학습 | cognitive map(5장), verifiable RL(9장) | grounded-2D→3D-inference 분해로 grounding을 inductive bias화(GR3D), 재구성 근거 위 추론(VLM-3R) | 물리 예측·인과, MCQ 너머 open-ended metric 답 평가 |
| reference-frame instability | egocentric↔allocentric 명시 메커니즘 부재 | perspective/mental imagery(7장), taxonomy L3–L4(6장) | Spatial-Visual-View Fusion에서 view를 명시 스트림으로(VLM-3R), camera-view 3D box(GR3D) | 어수선한 동적 장면에서 대규모 egocentric↔allocentric 전환 |
표가 보여주는 흐름은 세 격차가 서로 독립적으로 좁혀진 것이 아니라, GR3D·VLM-3R에서 grounding·reconstruction·depth·RL이 한 모델 안에서 맞물려 동시에 완화됐다는 점이다. 3장에서 전처리였던 grounding, 8장에서 인터페이스였던 depth, 9장에서 학습 신호였던 RL이 서로를 강화하는 구성 요소가 됐다.
그러나 표의 마지막 열은 비어 있지 않다. 종합이 곧 해결은 아니다. 세 격차 모두 '완화'됐을 뿐 '닫히지' 않았고, 특히 서베이가 가장 약하다고 지목한 동적·4D 축(L4)은 VSTI가 겨냥은 했으나 여전히 열린 전선이다.
남은 문제들
코스를 정직하게 닫으려면, 무엇이 풀렸는지만큼 무엇이 안 풀렸는지를 분명히 해야 한다. GR3D와 VLM-3R은 수렴점이지 종착점이 아니다. 전문가 관점에서 남은 프런티어는 다음과 같다.
-
전역적으로 일관된 장기 공간 기억: VSI-Bench의 cognitive map은 국소적으로만 일관됐다. 방 하나를 넘어 건물 전체를 하나의 좌표계로 유지하는 globally-consistent long-horizon 메모리는 미해결이다.
-
동적·4D 장면과 물리 예측: 서베이 taxonomy의 L4. 물체가 움직이고 상호작용하는 장면에서 다음 상태를 예측하는 능력이 여전히 가장 약하다. VSTI는 문을 열었을 뿐이다.
-
embodied action의 sim-to-real: RT-X 계열처럼 추론을 실제 로봇 동작으로 옮길 때 시뮬레이션과 현실의 간극을 닫는 일. 정적 QA 정확도가 실제 조작 성공률로 전이되지 않는다.
-
하나의 foundation model로 통합: metric depth·grounding·reasoning·generation을 task-specific head 없이 단일 모델에 담기. 지금은 여전히 mode·head가 나뉘어 있다.
-
MCQ 너머의 평가: 다지선다는 우연 정답과 언어 사전확률을 걸러내지 못한다. open-ended로 metric 공간 답('3.2m')을 채점하는 평가 체계가 필요하다.
-
어수선한 동적 장면에서의 egocentric↔allocentric: 7장이 정면 돌파한 perspective-taking을, 물체가 많고 계속 움직이는 현실 규모에서 안정적으로 수행하는 일.
이 여섯은 서로 얽혀 있다. 4D 물리 예측은 장기 기억을 요구하고, 통합 foundation model은 새 평가 체계 없이는 진전을 측정할 수 없다. 이 코스가 추적한 진화 — 진단(1장)에서 시작해 데이터·grounding·depth·비디오·taxonomy·perspective·RL을 거쳐 reconstruction-grounded VLM으로 수렴 — 은 표현적 불일치를 좁혔지만 지우지 못했다. 이산 토큰과 연속 기하 사이의 간극은 여전히 이 분야의 심장이다. 다음 장은 없다. 이제 그 다음을 쓰는 사람은 당신이다.
💡 비유로 이해하기
전처리형 grounding은 건축가가 설명을 시작하기 전에 도면을 전부 그려 벽에 붙여 두는 것과 같다. 도면은 고정돼 있고, 설명은 그 위를 읽어 내려간다. 문제는 설명이 진행되며 비로소 어떤 방·어떤 동선이 중요한지 드러난다는 것이다. 미리 붙인 도면에는 그 순간에 필요한 디테일이 없을 수 있다.
GR3D의 implicit grounding은 말하면서 동시에 그리는 건축가다. 설명하다가 '이 계단'이 필요해지면 그 자리에서 계단을 스케치하고, 그 스케치를 근거로 다음 문장을 잇는다. 도면과 설명이 하나의 흐름으로 얽힌다. monocular 3D grounding은 그 스케치를 정면(camera-view)에서 실제 치수가 맞는 입체 상자로 세우는 능력이고, intrinsic-aware normalization은 렌즈(카메라)가 달라도 상자의 치수를 같은 기준으로 읽게 만드는 축척 눈금이다.
VLM-3R은 여기에 시간을 더한 다큐멘터리 건축가다. 카메라를 들고 건물을 걸으며 촬영한 영상만으로 머릿속에 3D 모델을 세우고, 걸어 다니는 동안 방들의 관계가 어떻게 보이는지(view)를 함께 기억한다. 별도의 실측 장비도, 미리 받은 도면도 없이, 오직 걸으며 본 것만으로 4D 감각을 구성한다.
💻 코드 예시
GR3D의 monocular 3D grounding 핵심인 intrinsic-aware normalization을 numpy로 구현한다. 같은 물리적 위치의 3D box center를 서로 다른 카메라 intrinsic(광각·망원)으로 촬영하면 raw 픽셀 좌표는 서로 다르다. 그러나 intrinsic으로 정규화한 좌표는 두 카메라에서 동일해진다. 이 불변성이 있어야 데이터셋마다 카메라가 달라도 monocular 3D box가 서로 비교 가능해진다. project/unproject가 왕복 복원되는 것도 함께 보인다.
import numpy as np
def project_norm(center_cam, K):
# center_cam: (X,Y,Z) 카메라 좌표계 3D box center
# K: 3x3 intrinsic. 반환: intrinsic-normalized (u_n, v_n), depth Z
fx, fy, cx, cy = K[0,0], K[1,1], K[0,2], K[1,2]
X, Y, Z = center_cam
u, v = fx*X/Z + cx, fy*Y/Z + cy # 픽셀 투영
u_n, v_n = (u-cx)/fx, (v-cy)/fy # intrinsic 제거 -> 정규화
return np.array([u_n, v_n]), Z
def unproject_norm(uv_n, Z, K):
# 정규화 좌표 + depth로 3D center 복원 (intrinsic 조건화의 역연산)
u_n, v_n = uv_n
return np.array([u_n*Z, v_n*Z, Z])
def project_px(center_cam, K): # 비교용 raw 픽셀
fx, fy, cx, cy = K[0,0], K[1,1], K[0,2], K[1,2]
X, Y, Z = center_cam
return np.array([fx*X/Z + cx, fy*Y/Z + cy])
center = np.array([0.4, -0.2, 3.2]) # 동일한 물리적 3D 위치
K_wide = np.array([[800.,0,640],[0,800.,360],[0,0,1]]) # 광각
K_tele = np.array([[1600.,0,640],[0,1600.,360],[0,0,1]]) # 망원
uv_w, Zw = project_norm(center, K_wide)
uv_t, _ = project_norm(center, K_tele)
print('wide norm:', np.round(uv_w,4))
print('tele norm:', np.round(uv_t,4))
print('정규화 좌표 일치?', np.allclose(uv_w, uv_t)) # True
print('wide raw px:', np.round(project_px(center,K_wide),1))
print('tele raw px:', np.round(project_px(center,K_tele),1)) # 서로 다름
rec = unproject_norm(uv_w, Zw, K_wide)
print('center 복원 일치?', np.allclose(rec, center)) # Trueproject_norm은 3D center를 픽셀로 투영한 뒤 \((u-c_x)/f_x,\ (v-c_y)/f_y\)로 intrinsic을 나눠 없앤다. 그 결과가 \((X/Z,\ Y/Z)\), 곧 카메라 내부 파라미터에 무관한 정규화 이미지 좌표다. 실행 결과에서 광각·망원의 raw 픽셀은 (740,310) 대 (840,260)으로 다르지만 정규화 좌표는 둘 다 (0.125,-0.0625)로 같다. 이것이 intrinsic 조건화가 필요한 이유다. 정규화 없이 raw 픽셀·raw 3D box로 학습하면 모델은 카메라마다 다른 좌표를 같은 물체로 학습해야 하고, 데이터셋 간 box가 비교 불가능해진다. unproject_norm은 정규화 좌표에 depth \(Z\)를 곱해 3D center를 정확히 되돌린다. GR3D는 이 정규화된 표현 위에서 dense geometric supervision으로 monocular 3D box를 학습해, 여러 데이터셋의 서로 다른 카메라를 한 좌표 규약으로 묶는다.
🏭 현업에서의 평가
✅ 시니어가 보는 것
- grounding을 전처리(SpatialRGPT)에서 생성 시점 메커니즘(GR3D implicit-2D)으로 옮긴 것이 왜 단순 편의가 아니라 추론 순서 의존성을 흡수하는 구조적 개선인지 설명하는가
- monocular 3D에서 intrinsic-aware normalization이 없으면 데이터셋 간 box가 비교 불가능해진다는 인과를 좌표 수준에서 정확히 짚는가
- 서베이 세 격차를 각 챕터·논문에 매핑하고, GR3D·VLM-3R이 '완화'는 했으나 '해결'은 아니라는 점을 프런티어와 함께 균형 있게 말하는가
⚠️ 레드 플래그
- GR3D를 'SpatialRGPT에 3D box를 더한 것'으로만 요약하고 생성 시점 grounding의 의미를 놓침
- VLM-3R이 depth 센서·사전 지도 없이 단안 영상만 쓴다는 조건을 흘려, implicit 3D token이 무엇인지 설명하지 못함
- 'reconstruction-grounded VLM이 공간 추론을 풀었다'고 단언하며 장기 기억·4D 물리·sim-to-real·평가 등 미해결 전선을 인지하지 못함
🎤 예상 인터뷰 질문 (클릭하면 모범답안)
GR3D의 implicit 2D grounding은 SpatialRGPT의 region grounding과 근본적으로 무엇이 다른가? 왜 그 차이가 성능에 도움이 되나?
SpatialRGPT는 사용자가 준 region을 입력 단계에서 토큰화하는 전처리형 grounding이다. GR3D의 implicit 2D는 사용자가 region을 주지 않아도 모델이 텍스트를 생성하는 도중에 필요한 region token을 on-the-fly로 스스로 삽입한다. 복잡한 공간 질문은 추론이 진행되며 비로소 어떤 물체가 결정적인지 드러나므로, 전처리로 무엇을 grounding할지 미리 고정하는 대신 생성 시점에 근거를 호출하는 편이 이 순서 의존성을 자연스럽게 흡수한다. GR3D가 grounded뿐 아니라 non-grounded 벤치에서도 향상을 보이는 것은 grounding이 효과적 inductive bias로 작동하기 때문이다.
monocular 3D box 예측에서 intrinsic-aware normalization이 없으면 구체적으로 무엇이 깨지나?
단안 3D box를 raw 픽셀·raw 3D 좌표로 학습하면 같은 물리적 물체라도 카메라 intrinsic(초점거리·주점)이 다르면 픽셀 좌표가 달라진다. 광각과 망원으로 같은 위치를 찍으면 raw 픽셀이 서로 다르므로 모델은 데이터셋마다 어긋난 좌표를 학습하게 되고, 예측한 3D box를 데이터셋 간에 비교하거나 전이할 수 없다. \((u-c_x)/f_x,\ (v-c_y)/f_y\)로 intrinsic을 제거하면 \((X/Z, Y/Z)\)라는 카메라 무관 정규화 좌표를 얻어 여러 카메라를 한 좌표 규약으로 묶을 수 있다. GR3D는 이 정규화 위에서 dense geometric supervision으로 학습해 cross-dataset 일관성을 확보한다.
이 코스가 추적한 진화를 서베이의 세 격차로 요약하고, GR3D·VLM-3R 이후에도 남은 문제 하나를 근거와 함께 말해 보라.
projection bottleneck은 depth-plugin(3장)·depth-native(8장)를 거쳐 VLM-3R의 implicit 3D token으로, patterns-not-physics는 cognitive map(5장)·verifiable RL(9장)을 거쳐 GR3D의 grounded-2D→3D-inference 분해로, reference-frame instability는 perspective(7장)를 거쳐 VLM-3R의 view 융합으로 완화됐다. 그러나 예컨대 동적·4D 물리 예측은 여전히 미해결이다. 서베이 taxonomy의 L4가 가장 약하고, VSI-Bench의 cognitive map도 국소적으로만 일관됐으며, VSTI가 진화하는 관계를 겨냥했지만 물체가 움직이고 상호작용하는 장면의 다음 상태 예측은 열린 전선이다. 종합은 이뤄졌으나 격차가 닫힌 것은 아니다.
✨ 핵심 요약
perceive-then-reason에서 reconstruct-while-reason으로
GR3D·VLM-3R은 grounding·reconstruction을 추론 앞단의 전처리가 아니라 추론과 얽힌 생성 시점 과정으로 만든다. 모델이 장면을 재구성하며 그 위에서 추론한다.
GR3D의 세 grounding mode
explicit-2D(입력 region), implicit-2D(생성 중 region token on-the-fly 삽입), monocular-3D(region-prompted camera-view 3D box). SpatialRGPT의 직계 후속으로 grounding을 전처리에서 interleaved 메커니즘으로 승격.
grounding = inductive bias
hard 문제를 grounded-2D-perception→3D-inference로 분해. grounding을 넣으면 grounded뿐 아니라 non-grounded 벤치에서도 일관되게 향상되어, grounding이 장식이 아니라 효과적 inductive bias임을 보인다.
intrinsic-aware normalization
카메라 intrinsic을 조건화해야 monocular 3D box가 데이터셋 간에 비교 가능해진다. 정규화 좌표 $(X/Z, Y/Z)$는 카메라에 무관하며, 없으면 cross-dataset box가 어긋나 전이 불가.
VLM-3R: 영상에서 4D로
depth 센서·사전 지도 없이 단안 RGB 영상만으로 geometry encoder가 implicit 3D token을 유도, Spatial-Visual-View Fusion으로 LLM에 융합. 20만+ 재구성 QA와 VSTI(~138.6K, 5 tasks)로 진화하는 공간 관계를 겨냥.
세 격차의 종합
projection bottleneck·patterns-not-physics·reference-frame instability가 각각 depth·RL·perspective 챕터에서 한 축씩 옮겨져, 이 두 모델에서 grounding·reconstruction·depth·RL이 맞물리며 동시에 완화된다.
종합은 해결이 아니다
장기 전역 공간 기억, 동적·4D 물리 예측(L4), embodied sim-to-real, 단일 foundation model 통합, MCQ 너머 open-ended metric 평가, 어수선한 동적 장면의 egocentric↔allocentric이 남은 프런티어다.
표현적 불일치는 여전히 심장
이산 언어 토큰과 연속 3D 기하의 간극이 이 코스의 출발이자 아직 지워지지 않은 중심 문제다. 종합은 이 간극을 좁혔을 뿐, 다음을 여는 것은 독자의 몫이다.
- An-Chieh Cheng et al. (2026). Grounded 3D-Aware Spatial Vision-Language Modeling. CVPR 2026. arXiv:2605.30307