视觉语言模型

这就带来了一个核心问题：「视觉语言模型是否在三维视觉学习方面无法替代专家模型？

VLM³，首次揭示了三维视觉学习的BitterLesson：标准的视觉语言模型+scale数据就是最简单有效的范式，针对特定任务的架构、损失函数以及数据增强的设计，甚至是regression的formulation，均不是三维视觉学习的必要条件。

通过极简的设计，在极为多样的三维视觉任务中媲美或超越专家视觉模型，并大幅超越最先进的视觉语言模型：1）在单目深度估计上matchUnidepthV2及MoGe2；

这就带来了一个核心问题：「视觉语言模型是否在三维视觉学习方面无法替代专家模型？