标签
CoVeR 是一种无需训练的空间令牌选择器，通过强制执行精确的令牌预算和全面的场景覆盖，提高视觉语言模型中的3D推理能力，超越了先前的最先进方法。
本文介绍了SpatialBlock-15k，这是一个针对堆叠方块问题的合成数据集，旨在提升大型视觉语言模型中的3D空间推理能力，并展示了性能的改进和对现实世界任务的泛化能力。
介绍SpaR3D-MoE，这是一个端到端框架，用于从稀疏RGB视图中进行自适应3D空间推理，利用流形采样和几何归纳混合专家，在VSI-Bench、ScanQA和SQA3D上取得了最先进的性能。
GauntletBench是一个新的基于网页的基准测试，用于评估AI智能体在挑战性场景中的表现，重点关注时间感知、图形理解和3D推理。结果表明，最先进的智能体成功率仅为19.1%，而非专业人士则超过80%，凸显了当前智能体系统的显著局限性。
DR-MV3D 提出了一种基于地图的强化学习框架，通过密集奖励来改进多视角3D视觉问答能力，其核心包括全局地图构建、视角轨迹规划和自我中心定位。
Geometric Action Model (GAM) 将预训练的几何基础模型 (GFM) 重新用作语言条件机器人操作的统一骨干，在模拟和真实世界基准测试中，相比现有的基础模型规模基线，实现了更高的准确性、鲁棒性和效率。
SpatialClaw是一个无需训练的框架，它采用代码作为动作接口，使视觉语言模型能够进行灵活、有状态的空间推理，在多种3D/4D空间推理任务上取得了卓越性能。
MolmoAct 2 是由 Allen Institute for Artificial Intelligence 开发的开源机器人模型，能够在执行动作前进行三维空间推理。