Token预算下3D场景VLM候选检索研究

2026年10月14日，arXiv Computer Vision 刊出 Michał Zakrzewski 等人的论文《Token-Budgeted Candidate Retrieval for 3D Scene-Grounded VLMs》，研究在固定上下文预算下，3D 场景 VLM 应优先看到哪些物体与关系。该工作被 NeurIPS 2026 Workshop on Physical World AI 接收（non-archival）。在 ScanNet 室内指代基准上，将查询匹配到物体类别名，在各项 K 值上均优于成对几何评分，高召回时差距最大。在 ScanRefer gt_val 及 Nr3D、Sr3D 的 20% scan-id 划分（35,504 条查询）上，名词匹配 R@10 达 0.864，QCRR 为 0.626，MiniLM 与 BGE-small 达 0.911–0.913。作者表示将公开协议、检索器实现与逐查询输出，以便替换新的选择器而无需重写分析。目前尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。