يُظهر الباحثون أن النموذج الأساسي الهندسي VGGT يشفر الرؤية المشتركة ضمنيًا، حيث تبني الطبقات المبكرة تمثيلات واعية للبعد الثالث وتعمل الطبقات المتأخرة كمحللين مخصصين. تحديدًا، تعمل الطبقة L17 كمرساة سلبية للأزواج غير المرئية مشتركًا، مما يوفر دليلًا على تخصص الطبقات.
بناءً على هذا الاكتشاف، يقدم المؤلفون Co-VGGT، الذي يُجمّد VGGT ويدرب رأس مزيج الخبراء على مستوى الطبقة بخفة مع أقل من 7.5 مليون معلمة لتصنيف الرؤية المشتركة من صور RGB فقط.
على معيار Co-VisiON، يتفوق Co-VGGT على الأساس المرجعي للتدوين البشري، محسنًا النتائج الزوجية بأكثر من 25% والنتائج متعددة المشاهد بنسبة 10%. تنبؤاته معايرة جيدًا (ECE=0.030)، مما يسمح باستخدامها مباشرة كأوزان حافة في رسوميات الرؤية لخطوط أنابيب SfM وSLAM دون تصحيح لاحق.