Qwen-3D：面向空间理解的通用型 3D 视觉语言模型

英文标题：Qwen-3D: A Generalist 3D Vision-Language Model for Spatial Understanding

这是一篇新发布的 arXiv 论文，介绍了面向空间理解的通用型 3D 视觉语言模型 Qwen-3D。原摘要指出，大型多模态模型已在图像和短视频任务中取得显著成果，但受限于以帧为中心的 token 化方式和有限的上下文窗口，扩展到长视频仍具挑战。论文将 3D 几何视为一种自然的压缩表征方向，旨在提升模型对空间信息的理解能力。这一研究对需要处理长时序视觉内容、三维场景和空间推理的开发者具有参考意义。

2.6 KB 2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB