3d-grounding

EviGround-CT 提出句子到体积的定位方法，通过为每个描述阳性发现的句子预测三维证据掩膜，核验大语言模型生成的胸部 CT 报告。与类别条件化方法相比，该方法将有证据支持的精确率从 0.263 提升至 0.365。该研究在 CT-RATE 和 ReXGroundingCT 的一个子集上进行了评估，以检测缺乏证据支持的发现。

RynnVLA-Latent 提出利用 3.01 万小时的异构视频学习以三维空间为基础的潜在动作，预训练具有 40 亿参数的视觉-语言-动作策略，在 LIBERO（成功率 98.8%）、RoboTwin 2.0 及真实机器人操作任务上取得领先的成功率，无需针对基准进行专门调优。

Urbex 提出一种智能体视觉-语言框架，将城市级 3D 场景定位重构为主动空间搜索，利用强化学习优化工具使用策略，在 CityRefer 上取得最佳 Hit@1 和 IoU，并显著优于排名式基线。

本文提出了Grounded Action Models (GAMs)，一种集成3D定位的新型机器人基础模型范式，在操作任务上实现了最先进的性能。

本文介绍了SR-REAL，一个统一的空间视觉语言模型框架，通过强化学习结合了语言推理和三维几何推理，使得模型能够在多种任务中实现稳健的多步空间推理。