CityNav基准与VoP方法提出

2026年10月20日，arXiv Computer Vision 刊出 Dwip Dalal 等作者的论文，提出稀疏定位视觉导航（Sparsely Grounded Visual Navigation）任务、CityNav 基准与 VoP 方法。据该报道，这一任务用于评估多模态大模型（MLLM）在知识密集的真实环境中的连续决策能力；CityNav 基准覆盖四座全球城市，要求 MLLM 智能体仅凭视觉输入和内部多模态推理，连续通过 50 个以上决策点完成城市导航。报道称，该工作旨在检验 MLLM 能否借助网络规模知识在城市中“找到路”，即涌现导航能力。目前公开信息集中于任务设定与基准规模，尚未见后续跟进报道披露评测结果、方法细节或与其他基准的对比。

AI 根据报道生成 · 46 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。