在机器人领域，让人工智能真正 “看懂” 三维世界一直是一个棘手的问题。传统的视觉语言模型（VLA）大多依赖于二维图像和文本数据训练，难以理解真实环境中的三维空间。然而，最近来自上海交通大学和剑桥大学的…