本研究提出了iVISPAR，一个用于评估视觉语言模型（VLMs）在空间推理和视觉对齐能力的交互式多模态基准。结果表明，尽管某些VLM在简单任务中表现良好，但在复杂配置，尤其是3D和文本表达方面仍存在不足。

本研究提出快速提示对齐（FPA）框架，旨在解决复杂文本提示与生成视觉对齐的问题，提高对齐效率，降低计算需求，并展示实时推断的应用潜力。

本研究提出一种新方法，通过引入触觉模态来改善三维生成中的几何细节表现。结合高分辨率触觉感知与二维扩散模型，能够生成更真实的几何纹理，实现视觉与触觉的精准对齐。