MMSI-Bench
PulseAugur coverage of MMSI-Bench — every cluster mentioning MMSI-Bench across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架通过按需采集三维几何信息增强视觉语言模型空间推理能力
研究人员开发了Think-Capture，一个旨在提高视觉语言模型（VLMs）空间推理能力的新型框架。与密集处理所有帧的现有方法不同，Think-Capture仅为任务关键型对象选择性地采集三维几何信息。该方法使用一个三维工具包来生成对象几何，并使用符号三维状态抽象将状态压缩成文本。该系统使用分层组相对策略优化（GRPO）进行训练，以教会VLM何时依赖几何证据以及何时使用视觉线索，在MindCube-Tiny和MMSI-Bench等基…
-
S-Agent 2.0 增强空间推理能力；llama.cpp 增加 Qwen 支持
一篇新论文介绍 S-Agent 2.0，这是一种通过整合持久化场景记忆和自然语言解释与编码代理和 3D 感知工具来增强空间推理能力的代理。这种方法有助于模型闭合证据循环，从而在使用 Qwen3.8-27B 和 Gemini-3.8-Flash 等模型进行测试时，在 MMSI-Bench 和 ReVSI 等基准测试中取得显著的性能提升。此外，llama.cpp 的一个版本更新了 Qwen 模型，并支持各种操作系统和硬件配置，包括 Kle…
-
新的MV-STRIDE数据集提升多模态大语言模型空间推理能力
研究人员推出MV-STRIDE，一个旨在增强多模态大语言模型（MLLMs）多视图空间推理能力的新型数据集。该数据集通过显式建模感知、场景理解和推理之间的分层认知通路和相互依赖性，解决了当前MLLMs的一个关键局限性。MV-STRIDE采用系统化的QA生成流程，并结合认知导向的思维链监督，以确保复杂的推理能力并防止单视图可解性，从而在MMSI-Bench等空间推理基准测试中取得了最先进的性能。
-
TaichuAI发布ZDTaichu5.0-9B多模态基础模型
TaichuAI发布了ZDTaichu5.0-9B，这是一款专为视觉理解、空间推理和智能体任务设计的多模态基础模型。该模型集成了Qwen3.5-9B语言主干和C-RADIOv4-H视觉编码器，能够处理任意分辨率的文本、图像和视频。ZDTaichu5.0-9B在通用视觉理解方面表现出色，同时在空间推理和智能体能力方面也优于同类其他模型。