SDS 逐资产优化、多视图还要跑采样循环。LRM 更狠：一个大 transformer，一次前向， 直接把一张（或几张）图映射成 3D 表示。代价从"每个资产推理时优化"挪到了"一次性大规模训练"（Objaverse）。 主攻 痛点 (d) 速度。按输出表示分三代：triplane-NeRF → Gaussian → 直出 mesh。
关键想法：一个 5 亿参数的 transformer，从 ~100 万物体里学"图像→3D"的映射，而不是逐个优化。DINO 编码图像 → image-to-triplane transformer（triplane token 对图像 token 做 cross-attention 取证据、彼此 self-attention 保 3D 一致）→ triplane-NeRF。
三张特征平面（XY/XZ/YZ）。在最左边 XY 平面里拖动那个黑点改变查询点的 。 每张平面在投影位置采一个特征，三者求和 → 小 MLP → 密度。这就是 triplane-NeRF 的"查询一个点"全过程， 也是 LRM 把图像 token 解码成 triplane 之后、渲染时反复做的事。
关键想法：重做数据 / 通道 / 训练细节后的 LRM，单图 <0.5 秒出 mesh，MIT 协议开源——把前馈重建推成了人人能用的基线。
这一代还有 OpenLRM（开源复现）、Instant3D（文本→4 视图→triplane LRM，来自 Part IV）、 DMV3D（2311.09217，把 LRM 放进扩散去噪器里——生成与重建合一，这是通往原生扩散的第一座桥）、 PF-LRM（pose-free，联合估位姿）。
triplane-NeRF 渲染慢、容量受限。2024 年这一代把输出换成 像素对齐的 3D 高斯，延迟砍到 ~0.1–0.2 秒。
关键想法：从多视图直接预测每像素一个 3D 高斯。LGM 用高吞吐非对称 U-Net；GRM 用纯 transformer（4 视图 ~0.1s）；GS-LRM 把 patch 化的图像 token 直接解码成每像素高斯参数（0.23s），还能上场景尺度。
同代还有 Splatter Image（2312.13150，单图 U-Net 每像素一个高斯，38 FPS）、 GeoLRM（几何感知、稀疏锚点 + 可变形 cross-attention）、Long-LRM（Mamba2+transformer 吃 32 张高分辨率视图做大场景）。 注意 pixelSplat / MVSplat 架构同源但目标是真实场景的新视角合成（不是 Objaverse 物体生成）——细节在隔壁 Feedforward 3DGS 站。
关键想法：把可微取面（FlexiCubes / DiffMC，见 §1.3）烤进 LRM，端到端用 mesh 渲染 loss 训练，直出水密网格。InstantMesh 用多视图扩散出 6 视图 → sparse-view LRM + FlexiCubes（~10s）；MeshLRM 内嵌 DiffMC（4 视图 <1s）；CRM 用卷积 U-Net 出正交三视图→triplane→FlexiCubes。
还有 MeshFormer（稀疏体素特征 + 3D 卷积 + 法线监督，8 卡可训）、 SF3D（2408.00653，TripoSR 后继：快速 UV 展开 + 材质预测 + 去光照，~0.5s 出引擎可用资产）。 注意"去光照 / 材质"这件事——它是 Part VIII 的主题。