本论文核心团队来自北京通用人工智能研究院机器学习实验室，团队负责人李庆博士长期从事多模态理解、多模态智能体、具身智能等方向，主页：https://liqing.io
近年来，人工智能正逐步从虚拟的互联网空间（Cyber Space）迈向真实的物理世界（Physical Space）[1]。这一转变的核心挑战之一，是如何赋予智能体对三维空间的理解能力 [2]，实现自然语言与真实物理环境的对齐（grounding）。尽管已有的 3D 空间理解模型在视觉感知和语言对齐方面取得了显著进展，但它们普遍依赖于静态的世界的观察，缺乏对主动探索行为
