科技巨头 Meta 与香港中文大学的研究团队联合推出了 Multi-SpatialMLLM 模型，这一新框架在多模态大语言模型（MLLMs）的发展中取得了显著进展，尤其是在空间理解方面。该模型通过整合深度感知、视觉对应和动态感知三大组件，突破了以往单帧图像分析的限制，为更复杂的视觉任务提供了强有力的支持。
近年来，随着机器人和自动驾驶等领域对空间理解能力的需求不断增长，现有的 MLLMs 面临着诸多挑战。研究发现，现有模型在基础空间推理任务中表现不佳，例如，无法准确区分左右方向。这一现象主要源于缺乏专门的训练数据，且传统的方法往往只能基于静态视角进行分析，缺少对动态信息的处理。
为了解决这一问题，Meta 的 FAIR 团队与香港中文大学共同推出了 MultiSPA 数据集。该数据集覆盖了超过2700万个样本，涵盖多样化的3D 和4D 场景，结合了 Aria Digital Twin 和 Panoptic Studio 等高质量标注数据，并通过 GPT-4o 生成了多种任务模板。
此外，研究团队设计了五个训练任务，包括深度感知、相机移动感知和物体大小感知等，以此来提升 Multi-SpatialMLLM 在多帧空间推理上的能力。经过一系列测试，Multi-SpatialMLLM 在 MultiSPA 基准测试中的表现十分优异，平均提升了36%，在定性任务中的准确率也达到了80-90%，显著超越了基础模型的50%。尤其是在预测相机移动向量等高难度任务上，该模型也取得了18% 的准确率。
在 BLINK 基准测试中，Multi-SpatialMLLM 的准确率接近90%，平均提升了26.4%，超越了多个专有系统。而在标准视觉问答（VQA）测试中，该模型也保持了其原有的性能，显示了其在不依赖过度拟合空间推理任务的情况下，依然具有良好的通用能力。
划重点:
🌟 Meta 推出的 Multi-SpatialMLLM 模型显著提升了多模态大语言模型的空间理解能力。
📊 新模型通过整合深度感知、视觉对应和动态感知三大组件，克服了单帧图像分析的局限。
🏆 Multi-SpatialMLLM 在多项基准测试中表现优秀，准确率大幅提升，超越传统模型。
