Meta開源DepthLM，首證視覺語言模型無需改架構即可媲美純視覺模型的3D理解能力。通過視覺提示、稀疏標注等創新策略，DepthLM精準完成像素級深度估計等任務，解鎖VLM多任務處理潛力，為自動駕駛、機器人等領域帶來巨大前景。

在當前多模態AI發展浪潮中，視覺語言模型（Vision Language Models, VLMs）因其能通過「看圖 + 文字交互」處理多樣任務而備受關注。

然而，盡管在語義理解、視覺問答、圖像指令等任務上表現優異，它們在從 2D 圖像理解 3D 空間結構方面仍顯薄弱。相比之下，純視覺模型（pure vision models）在 絕對深度估計（metric depth estimation） 等三維理解任務上，憑借專門設計的網絡結構與損失函數，早已達到了超越人類的精度。

這就帶來了一個核心問題：「視覺語言模型是否有可能不更改其標準架構及訓練loss，實現與純視覺模型同等級別的3D理解能力？」

Meta開源了一項突破性研究工作DepthLM，首次證明了該問題的答案是肯定的！

DepthLM首次證明了語言模型也能準確理解三維空間，并且比專家視覺模型具有更好的靈活性及泛化性。

DepthLM證明了，在無需改動架構的前提下，就能讓視覺語言模型（VLM） 在像素級「絕對深度估計」等三維視覺任務上達到與純視覺模型相媲美的水平。

在此之前，即便是最先進的VLM如GPT-5和Gemini2.5-Pro等，在絕對深度估計上均遠遠落后于純視覺模型。