Video MLLM / geometry · P1 · 2026-05-24

Cambrian-P：它和通用视觉自监督的关系在于：相机位姿不只是下游几何任务标签，而可以成为视频理解模型的基础坐标系监督

用伪位姿把跨帧 token 固定到共享空间，是视频 VFM/MLLM 很值得跟的结构化监督。

Cambrian-P: Pose-Grounded Video Understanding　arXiv　原文链接

编号2605.22819 优先级P1 类别Video MLLM / geometry 会议arXiv 方法learnable camera tokens + pose regression head for frame-level grounding 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：相机位姿不只是下游几何任务标签，而可以成为视频理解模型的基础坐标系监督。用伪位姿把跨帧 token 固定到共享空间，是视频 VFM/MLLM 很值得跟的结构化监督。

**Figureure 2 · | Cambrian-P Architecture Overview**Figure 2 | Cambrian-P Architecture Overview. Cambrian-P imposes minimal modifications to current MLLM architectures, introducing only learnable pose tokens and a lightweight pose head. These tokens are marked with stripes, which indicate they are only included in training. The pose tokens are appended to visual tokens, while positioned before text embeddings.这张图概括 Cambrian-P 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 1 · | Cambrian-P illustration in video QA**Figure 1 | Cambrian-P illustration in video QA. Cambrian-P equips the current video understanding paradigm with native camera pose prediction using an extra camera token per frame. Cambrian-P positions video frames into a shared spatial coordinate frame, then effectively models the underlying 3D world projected in video. Note that Cambrian-P only requires extra learnable pose tokens during training.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Cambrian-P 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：相机位姿不只是下游几何任务标签，而可以成为视频理解模型的基础坐标系监督。

方法拆解

learnable camera tokens + pose regression head for frame-level grounding

主要贡献

用伪位姿把跨帧 token 固定到共享空间，是视频 VFM/MLLM 很值得跟的结构化监督。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。