专题：multimodal-learning

GroundedPlanBench是一个创新框架，通过将机器人演示视频转化为结构化数据，帮助视觉语言模型同时学习任务规划与空间定位能力。该框架基于微软DROID数据集，结合Meta SAM3图像分割技术，构建了1,009个真实世界任务的测试场景。实验验证表明，其在复杂长时序任务中显著提升了机器人动作准确性和任务完成率，为AI在机器人操控领域的发展提供了新方…

DashCLIP 是 DoorDash 推出的多模态AI模型，利用3200万个餐饮场景标注数据，实现图像、文本与用户查询的语义对齐。该模型显著提升菜品图像的零样本检索准确率，已应用于App内拍照搜菜功能。其核心亮点在于构建了大规模垂直领域标注数据集，并通过对比学习优化餐饮语义空间，为行业提供可复用的多模态搜索范式。

DoorDash推出DashCLIP多模态系统，通过3200万标注数据对齐图像、文本和查询，提升语义搜索、产品排序和广告相关性。该系统基于对比学习，适用于市场平台的多种机器学习任务。