讓視覺(jué)語(yǔ)言模型搞空間推理，谷歌又整新活了

AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：讓視覺(jué)語(yǔ)言模型搞空間推理，谷歌又整新活了
關(guān)鍵字：空間,模型,數(shù)據(jù),視覺(jué),研究者
文章來(lái)源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：8656字

內(nèi)容摘要：

機(jī)器之心報(bào)道
機(jī)器之心編輯部視覺(jué)語(yǔ)言模型雖然強(qiáng)大，但缺乏空間推理能力，最近 Google 的新論文說(shuō)它的 SpatialVLM 可以做，看看他們是怎么做的。視覺(jué)語(yǔ)言模型 (VLM) 已經(jīng)在廣泛的任務(wù)上取得了顯著進(jìn)展，包括圖像描述、視覺(jué)問(wèn)答 (VQA)、具身規(guī)劃、動(dòng)作識(shí)別等等。然而大多數(shù)視覺(jué)語(yǔ)言模型在空間推理方面仍然存在一些困難，比如需要理解目標(biāo)在三維空間中的位置或空間關(guān)系的任務(wù)。
關(guān)于這一問(wèn)題，研究者們常常從「人類」身上獲得啟發(fā)：通過(guò)具身體驗(yàn)和進(jìn)化發(fā)展，人類擁有固有的空間推理技能，可以毫不費(fèi)力地確定空間關(guān)系，比如目標(biāo)相對(duì)位置或估算距離和大小，而無(wú)需復(fù)雜的思維鏈或心理計(jì)算。
這種對(duì)直接空間推理任務(wù)的熟練，與當(dāng)前視覺(jué)語(yǔ)言模型能力的局限形成鮮明對(duì)比，并引發(fā)了一個(gè)引人注目的研究問(wèn)題：是否能夠賦予視覺(jué)語(yǔ)言模型類似于人類的空間推理能力？
最近，谷歌提出了一種具備空間推理能力的視覺(jué)語(yǔ)言模型：SpatialVLM。論文標(biāo)題：SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities
論文地址：https

原文鏈接：讓視覺(jué)語(yǔ)言模型搞空間推理，谷歌又整新活了

聯(lián)系作者

文章來(lái)源：機(jī)器之心
作者微信：almosthuman2014
作者簡(jiǎn)介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺(tái)