LLM2R：用大语言模型做3D零件装配
热点事件持续更新
LLM2R：用大语言模型做3D零件装配
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Zhouhan Zhong 等人提出 LLM2R，把 3D 零件装配建模为序列问题：Point-BERT 编码器与 Q-Former 将每个零件压缩为几何 token 块，经 LoRA 适配的因果 LLM 单次前向处理全部零件，末尾追加可学习的 summary token 聚合整体信息，由 part-aware pose head 一次性预测所有零件的旋转与平移。 论文称 LLM2R 在 PartNet 三类上取得最高零件准确率与成功率，在 PartNeXt 上取得最好的旋转、平移误差与零件准确率，在 Breaking Bad 上平移误差最低、推理最快，仅一个专做断裂的方法更准；零件数达 100 时，其在 Breaking Bad 上零件准确率超 GARF 33.5 个百分点、在 PartNet 上超 Assembler 29.1 个百分点，零样本迁移到未见类别时比三个基线中最强者高 16 个百分点以上。
AI 根据报道生成 · 2 小时前更新
最新进展10月14日 12:00
LLM2R：用大语言模型做 3D 零件装配的序列建模方法报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv cs.RO 机器人学精选LLM2R：用大语言模型做 3D 零件装配的序列建模方法
LLM2R 将 3D 零件装配建模为序列问题，用 Point-BERT 编码器与 Q-Former 把每个零件压缩为几何 token 块，经 LoRA 适配的因果 LLM 单次前向处理全部零件，并在末尾追加可学习的 summary token 聚合整体装配信息，由 part-aware pose head 一次性预测所有零件的旋转与平移。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。