整理：开启新征程！四篇文章助力 AI，告别 “3D理解困难户”

近年来，人工智能的发展让大语言模型（MLLM）变得越来越强大，它们可以理解和处理文字、图片、视频等多种信息，在很多领域都有很好的应用。然而，当这些模型需要理解 3D（立体）场景 时，仍然面临一些困难。 

目前的MLLM主要是用 2D图片训练出来的，也就是说，它们更擅长识别 平面的信息，比如照片中的人和物体。但是，现实世界是三维的（3D），仅靠2D图片训练的模型很难准确理解物体的立体关系。

例如，如果只给一个普通的AI模型一张照片，它可能能识别出一辆汽车，但无法准确判断这辆汽车离自己有多远，或者它的大小、角度等信息。

为了让AI更好地理解3D世界，我们总结出了4篇文章能同时利用视频信息和3D空间数据，让AI具备更强的立体理解能力。

论文1

优点与创新：

1. 该模型能够将视频表示与真实世界的空间环境对齐，从而支持3D视觉定位、3D密集描述和3D问答等任务。通过保持时间和空间上下文信息，减少了预训练数据与实际3D场景之间的差异。

2. 提出了最大覆盖采样策略，将帧选择建模为最大覆盖问题，并采用贪心算法求解。该策略确保选取最具信息量的帧，提高模型对关键时空特征的识别能力，同时优化推理效率。

3. 采用多任务训练方式，在多个3D场景理解基准（ScanRefer、Multi3DRefer、Scan2Cap、ScanQA、SQA3D）上取得SOTA性能。仅使用26%的3D数据，相较于LLaVA-3D，在多个任务上实现显著性能提升，展示了视频模型适配3D模态的巨大潜力。

论文2

优点与创新:

1. 视频-语言指令跟随数据（Video-language Instruction-Following Data）：我们提供了一个高质量的数据集 LLaVA-Video-178K，专为视频指令跟随任务设计。该数据集包含 17.8 万个视频，提供了 130 万条指令样本，包括详细字幕、自由回答和多项选择问答。

2. 视频大规模多模态模型（Video Large Multimodal Models）：我们开发了 LLaVA-Video，这是一系列先进的大型视频-语言模型，能够扩展开源模型在理解视频内容方面的能力。

3. 开源（Open-Source）：为了支持通用视觉助手的开发，我们公开了多模态指令数据、代码库、模型检查点以及一个可供公众使用的视觉聊天演示。

论文3

优点与创新：

1. OryxViT 视觉编码器：采用自适应位置嵌入和变长自注意力机制，以原生分辨率生成适用于 LLM 的视觉表示，支持并行处理不同大小的视觉数据。

2. 动态压缩技术：可任意调整降采样比率（1x-16x），通过共享投影器融合信息，实现高效长序列处理，同时保持高精度识别能力。

3. 增强的数据构建与训练策略：提升 Oryx 在多模态图像、视频及 3D 数据理解方面的能力，并适应不同输入分辨率和任务。

论文4

优点与创新：

1. 我们表明，大规模视频生成预训练能够有效促进视觉机器人操控学习。

2. 我们提出了一种灵活的 GPT 风格的 Transformer 模型 GR-1，该模型能够同时支持大规模视频生成预训练和机器人数据微调，从而实现一个统一模型的训练。因此，在大规模视频数据集上训练的模型可以直接用于机器人策略学习。 

3. 我们在仿真环境和真实世界中进行了大量实验，以研究 GR-1 在不同设置下的性能。