与众不同的是，PointLLM通过端到端训练提供了对对象点云的直接和全面的理解，实现了准确、开放和自由形式的交互。它们提供直接的几何和外观数据，能够更全面地了解3D形状、有效的遮挡管理和独立于视点的分析。第一阶段：特征对齐阶段，冻结点云编码器和LLM的参数，并仅仅训练MLP projector，在这个阶段，训练过程使用简短的描述指令，旨在有效地将点特征与文本标记空间对齐。增强LLM对3D对象点云的

Patch Embedding layer将输入图像划分为4*4的不重叠补丁，随后将图像的维度映射到C（默认96），该过程得到嵌入图像H4×W/4×C，然后编码器的4个stage进行特征提取，前3个stage结束时应用补丁合并操作以减少输入特征的高度和宽度，同时增加通信数量。在本文中，我们首次引入了一种纯的基于SSM的医学图像分割模型，将VM-UNet作为基线。3） 在医学图像分割任务中为纯基于S