LLM 与视觉推理关键分野：中间表示的结构化程度差异

LLM 推理与视觉、视频及 3D 推理的关键差异，在于后者的中间表示是供下游模型直接消费的结构化数据。视觉模型生成掩码和深度图，视频模型输出轨迹与时序关系，3D 模型则生成几何与相机位姿；文本模型缺少这类可接力结构，影响多模型级联 pipeline 的设计。