跳到主要内容
检索

Rong Li

1 篇关联报道

订阅更新
  1. arXiv

    几何信息不再只是对齐目标:GeoReader让视觉语言模型真正用上相机位姿与深度

    视觉语言模型在相机运动、视角变化和物体距离这类度量空间问题上一直吃力,而把几何基础模型的特征对齐进模型潜空间,并不保证模型会使用这些信息。GeoReader把几何先转成冻结视觉语言模型能读懂的连续几何token,再冻结这一接口、用问题条件化的几何注入微调模型做空间问答。在MindCube-Tiny上,Qwen3-VL-4B骨干的GeoReader取得该基准成绩;在六项空间基准上,Qwen3.5-9B骨干的平均成绩达到报告值。

已读完全部报道