深度分析
Symbolic Geometric Agent（SGA）：以符號幾何驗證提升教學動畫空間正確性
大型語言模型（LLM）在生成教學動畫時，常因忽略幾何遮擋而產生物件重疊、標籤錯位等「空間幻覺」。為解決此問題，研究團隊提出 Symbolic Geometric Agent（SGA），一種可插拔的符號驗證模組。SGA 攔截 LLM 生成的程式碼，透過部分執行提取符號場景圖，並在偵測到空間衝突時進行目標式修正。
深度分析
大型語言模型（LLM）在生成教學動畫時，常因忽略幾何遮擋而產生物件重疊、標籤錯位等「空間幻覺」。為解決此問題，研究團隊提出 Symbolic Geometric Agent（SGA），一種可插拔的符號驗證模組。SGA 攔截 LLM 生成的程式碼，透過部分執行提取符號場景圖，並在偵測到空間衝突時進行目標式修正。
深度分析
城市表徵學習試圖把異質的城市觀測資料壓縮為可重用的空間嵌入，以支援不同下游任務與未來城市基礎模型。CityRep 提出一套統一可延伸的評測基準，透過空間單元對齊模組、區塊式空間切分，以及跨八座城市、八項任務的多樣任務組合，來衡量表示的跨情境泛化能力。實驗顯示：隨機切分會高估模型表現；