Meta 发布了两个新模型：感知语言模型+定位3D模型

Meta推出感知语言模型（PLM）和定位3D（Locate3D）两项新技术。PLM采用视觉编码器与LLaMA 3解码器模块化架构，支持图像、视频及文档多模态任务，通过三阶段训练提升细粒度视觉理解与时空推理能力，在视频字幕生成等40+基准测试中性能提升39.8%。Locate3D基于3D-JEPA自监督算法，可直接处理RGB-D传感器数据，实现开放词汇3D物体定位，定位精度达61.7%，抓取成功率80%，适用于机器人、工业自动化及AR场景。两项技术均开源，PLM提供多模态基准测试，Locate3D发布大规模标注数据集，推动AI从环境感知向环境理解与操控演进，助力机器人、AR/VR等领域的技术发展。