人盯着两张照片，不会去做像素级配准——认出「这是同一个水壶」，推断视角差多少，脑内搭个粗略的屋子，然后开始推理。这篇论文把这套动作教给了多模态模型：先在隐层里拼一个粗 3D 高斯场景，再作答。
原文核过（2609.38177，KAIST / ETH / Google，NeurIPS 2026，编号无漂移），最值钱的是那张归因表：
- 直接把 teacher 的 tokens 喂给 LLM：56.4/60.8，跟基线差不多。只给蒸馏损失：56.6/60.5，还是不行。让它自己学着重建：63.8/68.5。增益来自「学会想象」这个行为本身，不是注入了几何特征——这一枪打在 feature-fusion 路线的正中央。
- 硬数字：SPAR-Bench 68.5，7B 的模型超 Qwen2.5-VL-72B 整整 29.1 分，超 GPT-4o 有 32.1 分。Scan2Cap CIDEr 从 81.3 到 99.2，+17.9 是全文最大单项。
- 瓶颈消融是个漂亮的闭环：1296 个 summary token 不够用（61.9），5184 个瓶颈失效反降（60.3），2592 个刚好。信息瓶颈才是逼出物体级分组的关键——容量越大反而越糟。
- 口径两处：摘要写 consistently outperforms，实际 ScanQA 的 ROUGE 和 EM 两项略输 Ross3D（−1.0 / −0.9）；「紧凑」指的是 token 数（2592 对 6720），不是高斯数量——8 万多个高斯一点不小。
- 依赖要交代：纯光度监督经 LLM 收敛极慢，靠冻结的 ZipSplat 蒸馏才提速约 4 倍。中高层级（视角推断、空间想象）增益最大，恰是方法主张 targeting 的能力。