作為天天跟科技新聞打交道的博主，我得說，這波操作直接把AI的空間認知能力拉到了新高度。

G2VLM就不一樣了，它不光能認出椅子、桌子，還能精準判斷它們的距離、高度，甚至知道是正著放還是歪著放。

這種能力放在以前，得是專門的三維建模軟件才能做到。

更牛的是，它在SPAR-Bench測試中，總分比GPT-4o還高18.5分，穩(wěn)居第一。

在好幾個空間推理測試里，它都拿到了頂尖成績。

本來以為AI要搞定這種事，得靠海量參數(shù)堆出來，沒想到G2VLM只有4B參數(shù)，比那些千億參數(shù)的模型小多了。

這充分說明，它靠的不是蠻力，而是設(shè)計巧妙的雙專家架構(gòu)。

這種“以巧勝拙”的思路，或許會成為未來AI模型研發(fā)的新方向。

G2VLM的設(shè)計靈感，居然來自我們的大腦，人腦處理視覺信息有兩條路，一條管“是什么”，一條管“在哪里”。

研發(fā)團隊把這個原理用到了模型上，打造了兩位“專家”。

語義感知專家則負責(zé)認東西、理解場景，跟我們平時用的AI差不多。

這兩位專家不是各干各的，靠共享注意力機制隨時交流。

語義專家說“這里有個沙發(fā)”，幾何專家馬上就能補充沙發(fā)的距離、高度等信息。

如此看來，這種分工協(xié)作的模式，比單一功能的模型高效多了。

第一階段專門訓(xùn)練幾何感知專家，把語義專家“凍結(jié)”起來。

這個過程得用數(shù)十臺頂級顯卡連續(xù)跑好幾天，計算資源消耗不小。

語義專家被喚醒后，學(xué)會了利用幾何專家的信息回答問題。

幾何專家也會根據(jù)需求微調(diào)自己，讓提供的空間信息更適配推理場景。

經(jīng)過這樣的磨合，兩位專家配合得越來越默契，G2VLM的綜合能力也越來越強。

G2VLM的出現(xiàn)，可不是只用來刷測試成績的，它的應(yīng)用場景特別廣。

最直接的就是機器人領(lǐng)域，有了它，機器人能更靈活地拿取物品，以后家里的智能助手或許能真正幫我們干活了。

在AR/VR領(lǐng)域，它能讓虛擬世界更真實，玩游戲、看虛擬場景時，沉浸感會大大提升。

自動駕駛汽車也能受益，它能幫助車輛更精準地判斷障礙物距離，提高行駛安全性。

在教育領(lǐng)域，它還能幫學(xué)生更好地理解空間幾何問題。

00后博士帶隊搞出這么硬核的成果，不得不讓人佩服。

G2VLM的出現(xiàn)，不僅讓AI懂了幾何、會了推理，還為多個行業(yè)的智能化升級提供了可能。

未來，隨著技術(shù)不斷優(yōu)化，說不定我們身邊會出現(xiàn)更多具備超強空間能力的智能設(shè)備。