尽管多模态大语言模型（Multimodal Large Language Models, MLLMs）取得了显著进展，其在三维结构与时空动态推理方面的能力仍然受限，主要受制于薄弱的四维（4D）感知与时间理解能力。现有的三维及四维视频问答（4D Video Question Answering, VQA）基准测试也多聚焦于静态场景，缺乏基于区域级别的提示机制。针对上述问题，本文提出三项关键贡献：（a）4D-RGPT，一种专为从视频输入中捕捉四维表征而设计的多模态大语言模型，具备增强的时间感知能力；（b）感知四维蒸馏（Perceptual 4D Distillation, P4D），一种训练框架，通过将冻结专家模型中的四维表征迁移至4D-RGPT，实现全面的四维感知能力；（c）R4D-Bench，一个面向深度感知动态场景、支持区域级别提示的新型基准测试，基于混合自动化与人工验证的构建流程开发而成。实验结果表明，所提出的4D-RGPT在现有4D VQA基准以及本文提出的R4D-Bench基准上均取得了显著性能提升。