MSQA（Multi-modal Situated Question Answering）是大规模多模态情境推理数据集，提升具身AI代理在3D场景中的理解与推理能力。数据集包含251K个问答对，覆盖9个问题类别，基于3D场景图和视觉-语言模型在真实世界3D场景中收集。MSQA用文本、图像和点云的交错多模态输入，减少单模态输入的歧义。引入MSNN（Multi-modal Next-step Navigation）基准测试，评估模型在情境间导航的能力，有助于开发更强大的情境推理模型，推动3D场景理解技术的发展。

MSQA – 大规模多模态3D情境推理数据集 第1张
（图片来源网络，侵删）
MSQA – 大规模多模态3D情境推理数据集 第2张
（图片来源网络，侵删）