三维视觉语言模型

D3D-VLP：面向具身视觉定位与导航的动态三维视觉-语言-规划模型

D3D-VLP: Dynamic 3D Vision-Language-Planning Model for Embodied Grounding and Navigation

把规划、视觉定位、导航与问答统一进单个 3D-VLM 的 3D 思维链管线，并用掩码自回归损失从部分标注的混合数据中互相隐式监督，对做具身导航与 3D 场景理解的人提供了一个可复用的多任务联合训练范式。