本研究提出EgoDTM模型，解决自我中心视频语言预训练中缺乏三维理解的问题。该模型结合大规模3D视频预训练与视频-文本对比学习，通过轻量级三维解码器高效学习三维感知。实验结果表明，EgoDTM在多项任务中表现优异，展现出卓越的3D视觉理解能力。