提出TRACE提示方法,通过引导多模态大语言模型生成基于文本的自我中心视频所对应的外在空间表征(包括元上下文、相机轨迹和物体实体注册),以提升其在3D空间问答任务中的结构化推理能力,并在VSI-Bench和OST-Bench上验证了其对多种MLLM骨干模型的一致性改进。
机构:清华
来源:arXiv 2603.23404 | AI4Papers 论文推荐平台