Part-X-MLLM: Part-aware 3D Multimodal Large Language Model

Part-X-MLLM 文章总结与翻译

一、主要内容总结

Part-X-MLLM 是腾讯混元团队提出的一款原生3D零件感知多模态大语言模型，核心目标是解决现有3D多模态模型在零件级理解、生成与编辑中的"结构不透明"问题，通过将各类3D任务统一为结构化可执行程序，实现对3D资产的精细化语言驱动控制。

核心功能覆盖

1. 多任务统一：整合3D零件级问答、组合生成、局部编辑等11类任务，通过统一的零件语法程序接口实现交互；
2. 零件级理解与 grounding：能识别3D对象的语义零件，生成零件级边界框（AABB），并建立文本描述与物理位置的持久关联；
3. 可控语义粒度：支持从粗粒度零件标签到细粒度特征描述的灵活切换，通过文本语义聚类实现零件合并与拆分；
4. 模块化几何交互：模型输出的结构化程序可驱动各类现有几何引擎（如OmniPart、Nano3D），实现高保真生成与编辑。

技术框架

• 双编码器架构：分离处理几何结构（XYZ+法向量）与外观特征（RGB），避免单编码器的表征冲突；
• 结构化规划语言：通过自定义特殊令牌（如<boxs>/<boxe>表示边界框、<