यह Transformer वीडियो से वास्तविक समय में 3D पुनर्निर्माण करता है

lingbot-map से मिलिए: एक feed-forward 3D foundation model। इसका Geometric Context Transformer सीधे फ्रेम्स से ज्यामिति स्ट्रीम करता है, कोई per-scene optimization नहीं। Paged KV cache attention लगभग ~20 FPS पर चलता है, 10, 000 फ्रेम्स से आगे भी स्थिर।