导语
具身智能需要的不是"识别这是什么"，而是"它在哪里、离多远、往哪个方向能动"。2025–2026 年计算机视觉领域最重要的结构性变化，是三维几何本身被基础模型化——从 CVPR 2025 最佳论文 VGGT 确立前馈式三维重建范式，到 ICLR 2026 的 Depth Anything 3 用极简骨干统一几何任务，再到 CVPR 2026 上占据预测与空间推理的 Oral 工作，一条清晰的主线是：几何正在从"后处理工序"变成"可预训练、可迁移、可端到端调用的表征"。这条线对具身智能的影响可能比任何一个新 VLA 都更深远。
技术要点
前馈式三维重建：从优化到一次前向。 VGGT（Visual Geometry Grounded Transformer，CVPR 2025 最佳论文）主张：把整个图像集合一次性输入 Transformer，一次前向直接输出相机内外参、稠密深度、点图与三维点轨迹，无需迭代优化或全局对齐后处理。其核心是交替注意力——偶数层做帧内局部注意力，奇数层做跨帧全局注意力——使全局一致性由网络结构保证，而非事后优化。相比 DUSt3R/MASt3R 需要逐对预测再全局拼接，VGGT 原生支持 1 到数百视角，速度从 SfM 的分钟级压缩到秒级；在 CO3Dv2 上位姿估计 AUC@30 达 88.2%。后续 VGGT-Ω（约 10B 参数）显示误差随模型与数据规模呈幂律下降。
极简主义的胜利：Depth Anything 3。 DA3（ICLR 2026）给出相反但同样有力的答案：一个未经架构特化的普通 DINOv2 骨干 + 统一的"深度-射线（depth-ray）"表示即可，无需复杂多任务学习。DualDPT 双分支同时预测逐像素深度与射线（含置信度），因深度与射线本质上是同一几何量的两种表达，模型可通过简单逐元素操作合成空间一致的点云。DA3 在单目深度上显著超越 DA2、多视深度与位姿上超越 VGGT，并可直出三维高斯。DA3-Streaming 以滑窗流式推理处理超长序列，显存低于 12GB。
占据预测与空间推理进入主流。 CVPR 2026 的 Oral 工作 SparseWorld-TC 突破传统鸟瞰图投影，用稀疏 token 端到端预测多帧三维场景占据，为具身导航与规划提供更高效表征；ICLR 2026 的 SpinBench 则以三维旋转为切口系统评测视觉语言模型的空间推理能力。这类"空间智能"的量化评测，是几何能力进入工程化阶段的标志。
三维原生骨干进入机器人控制。 VGA（arXiv 2604.12908）主张直接用预训练三维世界模型作为机器人控制骨干，避免把三维信息压回二维隐空间的"3D→2D→3D"病态变换环；通过渐进体积调制（PVM）把结构化几何表征注入动作解码，并联合训练动作头/相机头/深度头、推理时解耦，在 LIBERO 上取得当前最优操作精度。
关键突破
- •几何从"工序"变成"表征"：一次前向即可获得位姿、深度、点图与轨迹，且可微、可端到端训练。
- •极简架构跑赢专用设计：DA3 证明通用骨干 + 统一表示足以覆盖多类几何任务，降低了工程门槛。
- •几何 token 开始进入策略网络：VGA 把几何表征作为动作解码的条件，验证了"空间智能"对精细操作的直接价值。
- •空间推理有了专门评测：SpinBench 一类基准的出现，意味着几何能力开始被独立量化，而非隐含在下游任务中。
对产业的影响
第一，模型的几何能力越强，输入数据的几何质量就越关键。前馈几何的尺度歧义（Sim(3)）需要外部锚点（标定物、已知基线、LiDAR）才能转为米制；多相机的时间偏移会让外参标定在运动场景下失真。因此"μs 级硬同步 + 全局快门 + 可追溯标定"从硬件指标升级为算法性能的前置条件。
第二，几何能力可被用作数据质检工具。前馈重建的重投影误差、点云一致性、位姿漂移，都可作为采集数据的客观质量指标，且可自动化、可写进交付报告。
第三，占据/稀疏表征的成熟会降低对视角数的依赖，但会提高对视角几何关系准确性的要求——视角少而准，优于视角多而乱。
配图建议
图 1（放置：导语之后）
- •画面描述：三代三维重建范式对比三栏图。左"优化式 SfM"：特征匹配 → 增量注册 → 光束法平差 → MVS，标注"分钟—小时级、不可微"；中"点图回归（DUSt3R/MASt3R）"：逐对 pointmap + 全局对齐，标注"可微但有累积误差"；右"前馈统一（VGGT/DA3）"：多视角一次前向 → 位姿/深度/点图/轨迹，标注"秒级、全局一致"。
- •图注：图 1｜三维重建范式的三代演进：从优化到前馈（VGGT 为 CVPR 2025 最佳论文）。
图 2（放置："技术要点"中 DA3 段落后）
- •画面描述：DA3 的 DualDPT 结构简图。输入图像经 DINOv2 骨干提取多尺度特征，进入共享特征金字塔融合，随后分为两个分支：主分支输出深度 + 置信度，辅助分支输出射线 + 置信度；两个分支的逐元素操作合成三维点云；右侧三个可选输出挂件：相机位姿、三维高斯、度量对齐。
- •图注：图 2｜Depth Anything 3 的深度-射线统一表示与多任务输出（ICLR 2026，结构依据公开实现整理）。
图 3（放置："对产业的影响"第一条之后）
- •画面描述：同步误差级联图。顶部"多相机时间偏差 Δt"，中部公式"Δx = v · Δt"（v 为手/物运动速度），下方三个递进方块：立体匹配伪影 → 点云分层/重影 → 几何监督信号带噪 → 策略精度上限被压低。右侧标注"硬件同步 ≤100μs 对应亚毫米级；软件时间戳 5–30ms 对应厘米级"。
- •图注：图 3｜时间同步误差如何级联为策略精度损失——几何能力越强的模型，越受制于输入的同步质量。
来源与时间
- •VGGT: Visual Geometry Grounded Transformer（CVPR 2025 Best Paper）；VGGT-Ω 后续工作（2026）；CO3Dv2 位姿 AUC@30 88.2%。
- •Depth Anything 3: Recovering the Visual Space from Any Views（ICLR 2026）；DA3-Streaming（2025-12 发布）。
- •SparseWorld-TC（CVPR 2026，Oral）；SpinBench（ICLR 2026）；MERL 相关空间推理工作（NeurIPS 2025 workshop / ICLR 2026）。
- •VGA: Robotic Manipulation is Vision-to-Geometry Mapping（arXiv 2604.12908）。
- •小鹏在 CVPR 2026 公开世界模型技术蓝图（公开报道，2026）。
标注说明：各模型的指标引自原论文自报，评测集与协议不同，跨工作横向比较需谨慎；CVPR 2026 的完整接收列表与 Oral 名单以会议官方为准（待核实）。同步误差换算（Δx = v·Δt）为运动学基本关系，非实验测量值。