已收录文章摘要，完整内容可前往原文阅读。
教程｜三维视觉语言模型：从几何表示到开放词汇与具身交互导读输入一句“找到这把椅子”，模型需要完成的可能是三种不同任务：判断一个三维对象的类别，从资产库中检索对应形状，或在场景里定位具体椅子。若继续问“