PFIR：用部件级功能推理提升3D识别

PFIR用部件级功能推理，让3D识别增益集中于几何模糊样本。

资讯摘要

论文指出3D多模态大模型依赖模式匹配，在几何相似物体上失效：ModelNet40最模糊20%样本准确率仅33.7%，最清晰20%为84.0%。作者提出PFIR，基于PartNeXt部件分割构建507K含功能思维链的QA对，并以双目标GRPO训练。在严格双OOD协议下，零样本准确率从60.5%升至66.7%，增益更多集中在几何模糊样本。

要点速读

1. 论文提出Geometric Confusion Score，量化样本几何混淆程度，并据此暴露基线模型在模糊样本上的失败。
2. PFIR数据管线基于PartNeXt部件分割生成507K QA对，思维链按几何→功能→身份组织。
3. 双目标GRPO的两个任务向量余弦相似度仅0.056，作者用Task Arithmetic组合；Objaverse→ModelNet40、XYZRGB→XYZ-only协议下零样本准确率60.5%→66.7%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。