研究人员开发了一个名为空间潜在推理(SLR)的新框架,以提高指向性视觉基础的准确性。SLR围绕几何和视觉状态的有序序列构建监督,利用指尖位置和指向方向来指导过程。该方法在EgoPoint-Ground和YouRefIt等基准测试中提高了性能,与现有技术相比有了显著改进,尤其是在Qwen3.5-4B、Qwen2.5-VL-7B和Qwen3-VL-8B等模型上。 AI
影响 该框架可以通过改进AI对视觉参照和手势的理解,从而实现更直观的人机交互。
排序理由 该集群包含一篇详细介绍新框架和基准结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- EgoPoint-Ground
- Hugging Face
- Qwen2.5-VL-7B
- Qwen3.5-4B
- Qwen3 VL 8B
- Spatial Latent Reasoning
- YouRefIt
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →