PointArena 2026

具身AI在视觉指向任务中达到77.2%的准确率

研究人员开发了一种新颖的方法，使具身AI系统能够将语言指令准确地映射到像素坐标，这种能力被称为视觉指向。他们的解决方案PointArena 2026通过代理驱动的数据合成、确定性的可控数据管道以及用于注意力和坐标校正的模型端模块，解决了关键的失败模式，并在基准测试中达到了77.2%的准确率。该系统在各种类别中表现出色，包括可供性、空间关系和推理。