该文章介绍了实体说明任务，结合视觉说明模型和导航能力，减少次优视角的视觉模糊。作者构建了包含10K个混乱物体的3D场景和注释段落的ET-Cap数据集，并提出了级联实体说明模型（CaBOT）。实验证明CaBOT优于其他基线模型。