空间推理

面向自动驾驶的视觉语言模型，提升复杂长尾场景理解能力 DriveVLM是清华大学Mars实验室推出的自动驾驶领域视觉语言模型，通过场景描述、场景分析、分层规划的推理模块组合，强化对复杂、长尾驾驶场景的理解能力。针对现有视觉语言模型空间推理不足、算力需求高的痛点，推出混合架构DriveVLM-Dual，结合DriveVLM与传统自动驾驶流程优势，已在公开数据集验证并完成量产车部署。

德国马普所开发的生成模型，可减少生成幻觉提升推理准确率 SRM是德国马普信息研究所开发的生成模型，通过为每个未观测变量分配独立噪声水平，逐步推断出变量的连续表示，处理复杂分布表现优异，可减少生成过程的幻觉问题。它首次证明去噪网络可预测生成顺序，显著提升特定推理任务准确率，旨在推动空间推理与生成模型研究。

基于大规模合成数据训练的可定量空间推理的视觉语言模型 针对现有视觉语言模型定量空间推理能力不足的问题，通过大规模合成数据训练，使模型获得类人直观的定量空间推理能力，提升了空间VQA任务的表现，同时为链式空间推理、机器人控制等下游空间类任务提供技术支撑，拓展了多模态AI的应用边界。