近日，科技界傳來一項重要進(jìn)展，meta公司與香港中文大學(xué)攜手，在人工智能領(lǐng)域邁出了關(guān)鍵一步。他們共同推出的Multi-SpatialMLLM模型，實現(xiàn)了對深度感知、視覺對應(yīng)和動態(tài)感知三大功能的整合，打破了單幀圖像分析的局限性。

近年來，多模態(tài)大語言模型（MLLMs）在視覺任務(wù)處理方面取得了顯著成果。然而，作為獨立的數(shù)字實體，MLLMs的實際應(yīng)用卻受到了一定限制。隨著機器人、自動駕駛等領(lǐng)域的快速發(fā)展，對MLLMs的空間理解能力提出了更高要求。但遺憾的是，現(xiàn)有的模型在基礎(chǔ)空間推理任務(wù)中表現(xiàn)并不理想，例如，它們常常無法準(zhǔn)確區(qū)分左右。

針對這一難題，meta旗下的FAIR團(tuán)隊與香港中文大學(xué)展開了深入研究。他們發(fā)現(xiàn)，過去的研究往往將問題歸咎于缺乏專門的訓(xùn)練數(shù)據(jù)，并試圖通過單張圖像的空間數(shù)據(jù)進(jìn)行改進(jìn)。然而，這種方法只能局限于靜態(tài)視角的分析，缺乏動態(tài)信息處理的能力。

為了解決這個問題，F(xiàn)AIR團(tuán)隊與香港中文大學(xué)聯(lián)合推出了MultiSPA數(shù)據(jù)集。這個數(shù)據(jù)集包含了超過2700萬個樣本，涉及多樣化的3D和4D場景，為MLLMs的訓(xùn)練提供了豐富的資源。MultiSPA數(shù)據(jù)集結(jié)合了Aria Digital Twin、Panoptic Studio等高質(zhì)量標(biāo)注場景數(shù)據(jù)，并通過GPT-4o生成了多樣化的任務(wù)模板，從而確保了數(shù)據(jù)的全面性和多樣性。

在MultiSPA數(shù)據(jù)集的基礎(chǔ)上，研究團(tuán)隊設(shè)計了五個訓(xùn)練任務(wù)，包括深度感知、相機移動感知、物體大小感知等。這些任務(wù)旨在提升Multi-SpatialMLLM模型在多幀空間推理上的能力，使其能夠更好地理解和處理復(fù)雜的空間信息。

經(jīng)過嚴(yán)格的測試和評估，Multi-SpatialMLLM模型展現(xiàn)出了卓越的性能。在MultiSPA基準(zhǔn)測試中，該模型相比基礎(chǔ)模型平均提升了36%，在定性任務(wù)上的準(zhǔn)確率達(dá)到80%-90%，遠(yuǎn)超基礎(chǔ)模型的50%。甚至在預(yù)測相機移動向量等高難度任務(wù)上，該模型也取得了18%的準(zhǔn)確率。在BLINK基準(zhǔn)測試中，Multi-SpatialMLLM模型的準(zhǔn)確率接近90%，平均提升26.4%，超越了多個專有系統(tǒng)。

Multi-SpatialMLLM模型在保持原有性能的同時，還展現(xiàn)出了不依賴過度擬合空間推理任務(wù)的通用能力。在標(biāo)準(zhǔn)視覺問答（VQA）測試中，該模型依然保持了出色的表現(xiàn)。這一成果不僅為MLLMs在空間理解方面的發(fā)展提供了新的思路和方法，也為機器人、自動駕駛等領(lǐng)域的未來發(fā)展奠定了堅實的基礎(chǔ)。