文章主要内容总结该论文是一篇关于大语言模型（LLMs）与扩展现实（XR）交叉领域的系统性综述，核心内容包括：研究背景与动机：XR（含虚拟现实、增强现实、混合现实）在多领域快速发展，但传统交互范式（如固定脚本、有限对话树）难以实现自适应、类人交互；而LLMs在自然语言理解与生成、多模态及具身智能方面的突破，为解决XR的核心局限（如语音识别、上下文记忆、内容创作）提供了可能。技术能力：LLMs为XR带来的关键能力包括：语音与自然语言处理（提升交互流畅性与上下文连贯性）、视觉-语言模型（VLMs，增强视觉-语言融合推理）、生成式AI（高效生成3D资产与场景）、强化学习与决策（优化具身代理行为）。分类体系：提出基于“输入模态（文本/语音、3D场景/图像、传感器信号）-技术范式（如3D感知、多感官渲染、具身代理、架构工具包等）-应用领域”的三维分类法，系统梳理了LLM增强型XR系统的技术框架。应用领域：涵盖医疗（手术辅助、患者心理支持）、教育（沉浸式学习、语言训练）、社交交互（虚拟人对话）、娱乐（虚拟博物馆、场景生成）等，展示了LLMs在提升XR实用性与智能化中的作用。挑战与未来方向：指出当前面临的具身性与实时集成、实时交互延迟、空间推理能力不足、系统复杂性等挑战，并提出需跨学科突破交互技术、认知能力与系统架构的优化方向。创新点首
文章主要内容总结该论文是一篇关于大语言模型（LLMs）与扩展现实（XR）交叉领域的系统性综述，核心内容包括：研究背景与动机：XR（含虚拟现实、增强现实、混合现实）在多领域快速发展，但传统交互范式（如固定脚本、有限对话树）难以实现自适应、类人交互；而LLMs在自然语言理解与生成、多模态及具身智能方面的突破，为解决XR的核心局限（如语音识别、上下文记忆、内容创作）提供了可能。技术能力：LLMs为XR带来的关键能力包括：语音与自然语言处理（提升交互流畅性与上下文连贯性）、视觉-语言模型（VLMs，增强视觉-语言融合推理）、生成式AI（高效生成3D资产与场景）、强化学习与决策（优化具身代理行为）。分类体系：提出基于“输入模态（文本/语音、3D场景/图像、传感器信号）-技术范式（如3D感知、多感官渲染、具身代理、架构工具包等）-应用领域”的三维分类法，系统梳理了LLM增强型XR系统的技术框架。应用领域：涵盖医疗（手术辅助、患者心理支持）、教育（沉浸式学习、语言训练）、社交交互（虚拟人对话）、娱乐（虚拟博物馆、场景生成）等，展示了LLMs在提升XR实用性与智能化中的作用。挑战与未来方向：指出当前面临的具身性与实时集成、实时交互延迟、空间推理能力不足、系统复杂性等挑战，并提出需跨学科突破交互技术、认知能力与系统架构的优化方向。创新点首
