本文介绍了Point-Bind和Point-LLM两个模型，Point-Bind是一个多模态模型，将三维点云与二维图像、语言、音频和视频对齐，实现了许多有前景的应用。Point-LLM是第一个遵循三维多模态指令的三维大型语言模型，通过将Point-Bind的语义注入到预训练的LLM中，实现了出色的三维和多模态问答能力。希望这些模型可以为扩展三维点云到多模态应用的社区提供帮助。

Combine ImageBind with DocArray to implement a cross-modal search system