两篇新研究论文探讨了大语言模型(LLM)的空间推理能力。第一篇论文“GraFT”介绍了一个无需训练的框架,该框架使用3D场景图来增强多模态LLM的几何理解和空间意识,在ScanQA和VSI-Bench等基准测试中取得了显著的改进。第二篇论文“Autoregressive Mosaics”通过引入AM-Bench基准来探测纯文本LLM的2D空间推理能力。该基准区分了将空间描述转化为代码和真正的布局组合,揭示了虽然纯文本模型可以为图像生成代码,但它们创建新颖布局的能力各不相同,并且会受到SVG等输出媒介的影响。 AI
影响 这些研究突显了LLM空间理解能力的进步,预示着未来的模型可能能够更好地导航和解释物理世界及复杂视觉数据。
排序理由 该集群包含两篇学术论文,详细介绍了评估LLM空间推理能力的新方法和基准。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- Autoregressive Mosaics
- SVG
- Hugging Face
- 3D scene graphs
- GraFT
- Large Language Models
- Multimodal Large Language Models
- ScanQA
- VSI-Bench
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →