Buchumschlag

PointArena: Probing Multimodal Grounding Through Language-Guided Pointing

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cheng, Long, Duan, Jiafei, Wang, Yi Ru, Fang, Haoquan, Li, Boyang, Huang, Yushan, Wang, Elvis, Eftekhar, Ainaz, Lee, Jason, Yuan, Wentao, Hendrix, Rose, Smith, Noah A., Xia, Fei, Fox, Dieter, Krishna, Ranjay
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Selective Visual Representations Improve Convergence and Generalization for Embodied AI
von: Eftekhar, Ainaz, et al.
Veröffentlicht: (2023)

SAM2Act: Integrating Visual Foundation Model with A Memory Architecture for Robotic Manipulation
von: Fang, Haoquan, et al.
Veröffentlicht: (2025)

RoboPoint: A Vision-Language Model for Spatial Affordance Prediction for Robotics
von: Yuan, Wentao, et al.
Veröffentlicht: (2024)

Manipulate-Anything: Automating Real-World Robots using Vision-Language Models
von: Duan, Jiafei, et al.
Veröffentlicht: (2024)

FailSafe: Reasoning and Recovery from Failures in Vision-Language-Action Models
von: Lin, Zijun, et al.
Veröffentlicht: (2025)

Recurrent-Depth VLA: Implicit Test-Time Compute Scaling of Vision-Language-Action Models via Latent Iterative Reasoning
von: Tur, Yalcin, et al.
Veröffentlicht: (2026)

EVE: Enabling Anyone to Train Robots using Augmented Reality
von: Wang, Jun, et al.
Veröffentlicht: (2024)

THE COLOSSEUM: A Benchmark for Evaluating Generalization for Robotic Manipulation
von: Pumacay, Wilbert, et al.
Veröffentlicht: (2024)

Convergent Functions, Divergent Forms
von: Jeon, Hyeonseong, et al.
Veröffentlicht: (2025)

The One RING: a Robotic Indoor Navigation Generalist
von: Eftekhar, Ainaz, et al.
Veröffentlicht: (2024)

MolmoAct: Action Reasoning Models that can Reason in Space
von: Lee, Jason, et al.
Veröffentlicht: (2025)

AHA: A Vision-Language-Model for Detecting and Reasoning Over Failures in Robotic Manipulation
von: Duan, Jiafei, et al.
Veröffentlicht: (2024)

MolmoB0T: Large-Scale Simulation Enables Zero-Shot Manipulation
von: Deshpande, Abhay, et al.
Veröffentlicht: (2026)

MolmoAct2: Action Reasoning Models for Real-world Deployment
von: Fang, Haoquan, et al.
Veröffentlicht: (2026)

MolmoPoint: Better Pointing for VLMs with Grounding Tokens
von: Clark, Christopher, et al.
Veröffentlicht: (2026)

GraspMolmo: Generalizable Task-Oriented Grasping via Large-Scale Synthetic Data Generation
von: Deshpande, Abhay, et al.
Veröffentlicht: (2025)

VLS: Steering Pretrained Robot Policies via Vision-Language Models
von: Liu, Shuo, et al.
Veröffentlicht: (2026)

TOPReward: Token Probabilities as Hidden Zero-Shot Rewards for Robotics
von: Chen, Shirui, et al.
Veröffentlicht: (2026)

MolmoSpaces: A Large-Scale Open Ecosystem for Robot Navigation and Manipulation
von: Kim, Yejin, et al.
Veröffentlicht: (2026)

SAT: Dynamic Spatial Aptitude Training for Multimodal Language Models
von: Ray, Arijit, et al.
Veröffentlicht: (2024)

RoboEval: Where Robotic Manipulation Meets Structured and Scalable Evaluation
von: Wang, Yi Ru, et al.
Veröffentlicht: (2025)

Effect of Pullulan‐Chitosan Film Containing Titanium Dioxide (TiO 2 ) Nanoparticle and Tarragon Essential Oil on the Quality Properties During Refrigerated Storage of Rainbow Trout Fillets
von: Ainaz Khodanazary
Veröffentlicht: (2025)

Effects of Carboxymethyl Chitosan/Pectin Coating Containing Free and Nanoliposome Mentha piperita Essential Oil on the Shelf Life of Shrimp During Ice Storage
von: Ainaz Khodanazary
Veröffentlicht: (2025)

GGPT: Geometry Grounded Point Transformer
von: Chen, Yutong, et al.
Veröffentlicht: (2026)

vla-eval: A Unified Evaluation Harness for Vision-Language-Action Models
von: Choi, Suhwan, et al.
Veröffentlicht: (2026)

SFPNet: Sparse Focal Point Network for Semantic Segmentation on General LiDAR Point Clouds
von: Wang, Yanbo, et al.
Veröffentlicht: (2024)

Comprehensive Analysis of the Full Tess Orbital Phase Curve of Wasp-121b
von: M. Eftekhar
Veröffentlicht: (2022)

Exploring expectations of Iranian audiences in terms of consecutive interpreting: A reception study
von: Elnaz Eftekhar
Veröffentlicht: (2024)

RoboMD: Uncovering Robot Vulnerabilities through Semantic Potential Fields
von: Sagar, Som, et al.
Veröffentlicht: (2024)

Approximating First Hitting Point Distribution in Milestoning for Rare Event Kinetics
von: Wang, Ru, et al.
Veröffentlicht: (2023)

Neuro-Symbolic Temporal Point Processes
von: Yang, Yang, et al.
Veröffentlicht: (2024)

I Can Tell What I am Doing: Toward Real-World Natural Language Grounding of Robot Experiences
von: Wang, Zihan, et al.
Veröffentlicht: (2024)

Point2Quad: Generating Quad Meshes from Point Clouds via Face Prediction
von: Li, Zezeng, et al.
Veröffentlicht: (2025)

Study of Dropout in PointPillars with 3D Object Detection
von: Sun, Xiaoxiang, et al.
Veröffentlicht: (2024)

MutaGReP: Execution-Free Repository-Grounded Plan Search for Code-Use
von: Khan, Zaid, et al.
Veröffentlicht: (2025)

Point Bridge: 3D Representations for Cross Domain Policy Learning
von: Haldar, Siddhant, et al.
Veröffentlicht: (2026)

Videoshop: Localized Semantic Video Editing with Noise-Extrapolated Diffusion Inversion
von: Fan, Xiang, et al.
Veröffentlicht: (2024)

Ablate-to-Validate: Are Vision-Language Models Really Using Continuous Thought Tokens?
von: Zhang, Tianyi, et al.
Veröffentlicht: (2026)

Non-conformal Line Defect (Shell Operator) in AdS$_3$/CFT$_2$: Spinning and Higher Point Correlators
von: Liu, Yuefeng, et al.
Veröffentlicht: (2025)

Multimodal Point Cloud Semantic Segmentation With Virtual Point Enhancement
von: Duan, Zaipeng, et al.
Veröffentlicht: (2025)