本研究提出了一种新方法——携带视觉条件（TVC），旨在解决多模态任务中视觉信息关注度下降的问题。TVC策略优化了推理过程中的视觉输入使用，提升了多模态推理系统的表现，平均性能提高了3.4%。

本研究提出了一种新颖的视觉条件多视角扩散模型See3D，旨在解决现有3D生成模型对有限标签的依赖，通过利用互联网视频实现开放世界的3D创作，显著提升生成能力。