MASER：面向具身 3D 空间智能的模态自适应专家路由

在 3D 环境中，具身智能体需结合自然语言、RGB 图像、点云等多模态数据进行空间推理以回答问题。现有视觉 - 语言模型通常仅针对单一模态微调，忽视了问题语义对特定模态的偏好。为此，本文提出 MASER 框架，训练五个共享主干的模态适配器，并学习神经路由策略，根据问题动态选择最佳适配器。实验表明，没有单一模态 universally 最优，MASER 的路由准确率显著优于基线方法。