VLM隐空间中发现三维场景拓扑结构

匹兹堡大学团队在视觉语言模型（VLM）的中间层隐空间中观察到与真实布局对应的三维场景拓扑结构，相关论文已被 NeurIPS 2026 录用为 spotlight paper。 研究团队称，将 Dirichlet 能量加入微调目标、在选定中间层进行 500 步 LoRA 微调后，Qwen2.5-VL-7B 在 VSI-Bench 简单相对方向任务上的准确率从 47.9% 升至 60.0%。该结果来自这一特定模型与任务设置，尚不代表其他模型或任务同样有效。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。