专题：multimodal-learning

GroundedPlanBench是微软提出的机器人任务规划框架，通过整合空间信息与视觉语言模型，解决长时序复杂任务中的规划与定位分离问题。该框架利用DROID数据集构建基准，采用显式/隐式指令双模式，结合SAM3模型实现精准空间定位。实验表明其在真实场景中提升任务成功率，尤其擅长处理多步骤和隐式指令任务，为机器人研究提供新方法。

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。