GeoThinker-F移除VGGT并加速空间推理
AI 总结
GeoThinker-F学习在模型内部生成几何特征和短期语义特征,推理时不再运行外部VGGT几何编码器。研究团队称,延迟从1.45秒降至0.40秒,空间推理表现基本保持不变。其在LIBERO和NAVSIM仿真中分别取得97.1%的任务成功率和83.3的PDMS。
深度见解
该方法在保持相近基准表现的同时降低了视觉语言模型空间推理的推理成本,对延迟敏感的机器人和自动驾驶研究具有参考价值。
导语:不再实时调用外部三维几何编码器,视觉语言模型空间推理提速约 3.6 倍。

不再实时调用外部三维几何编码器,视觉语言模型空间推理提速约 3.6 倍。
作者丨张岂萍
编辑丨幸丽娟
给视觉语言模型多塞一份三维几何信息,它就一定看得更准?
#GeoThinker#GeoThinker-F#VGGT#Sun Yat-sen University#XPeng#Nanyang Technological University#MBZUAI#Qwen2.5-VL-7B#Qwen3-VL-8B#LIBERO#NAVSIM#ReCogDrive