视觉语言对齐

面向3D交互的两阶段训练多模态人工智能研究模型 LEO采用3D视觉语言对齐、3D视觉语言动作指令调整两阶段训练模式，研发团队构建了包含物体级、场景级任务的大规模多模态数据集，支持3D字幕、问答、推理、导航、机器人操作等多类任务，相比传统2D多模态模型，更适配3D世界的深度理解与交互需求，实验验证其多任务表现出色。