3D 视觉

From Pixels to BFS: High Maze Accuracy Does Not Imply Visual Planning

从像素到BFS：高迷宫精度并不意味着视觉规划

Alberto G. Rodriguez Salgado

机构 * Independent Researcher（独立研究者） 纠错

专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV

AI总结 本文通过MazeBench基准测试，揭示了多模态模型在视觉空间任务中依赖于文本网格转换和逐步路径枚举，而非真正的规划，高精度并不等同于人类空间理解。

Comments 15 pages, 10 figures. Code and mazes available at https://github.com/alrod97/LLMs_mazes

3D Primitives are a Spatial Language for VLMs

3D基元是一种视觉语言模型的空间语言

Junze Liu, Kun Qian, Florian Dubost, Kai Zhong, Arvind Srinivasan, Nan Chen, Anping Wang, Sam Zhang, Alejandro Mottini, Qingjun Cui, Tian Wang

机构 * Unity Technologies 纠错

专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV

AI总结 本文提出通过3D基元作为中间表示来提升视觉语言模型的空间理解能力，通过SpatialBabel基准、Code-CoT推理策略和S³-FT自监督微调三种贡献，展示了基元在空间任务中的有效性。