清华大学 发布 Spatial-MLLM-120k 数据集, 应用在 机器学习、空间推理 领域

清华大学 本次发布的数据集 Spatial-MLLM-120k, Spatial-MLLM-120k数据集是由清华大学的研究团队创建的，旨在提升现有视频多模态大语言模型的空间智能。该数据集包含120,000个条目，用于训练模型进行视觉基础的空间推理。数据集的构建过程涉及了从纯2D观察中提取视觉基础的空间推理能力，使用了双编码器架构和空间感知帧采样策略。数据集的应用领域包括各种基于视觉的空间理解和推理任务，如视觉-空间智能基准（VSIBench）、ScanQA和SQA3D等，旨在解决现有视频多模态大语言模型在空间智能方面的挑战。

查看Spatial-MLLM-120k

关于 清华大学 , 清华大学，位于中国北京，是一所享誉全球的顶尖研究型大学，以其深厚的学术底蕴和杰出的科研能力而著称。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。