List your company

3D Dense Captioning on Scan2Cap

89CIDEr @0.5Video-3D LLM†
61.85668.90375.9582.997Aug 8, 2023Feb 1, 2024Jul 27, 2024Jan 21, 2025Jul 17, 2025Jan 10, 2026Jul 7, 2026

Evaluation results

MethodLinks
Video-3D LLM†Video sequence length=32, 3D Encoder=Additional 3D encoder2026.0489————42.6————————
Geo3DPrunerVideo sequence length=32, 3D Encoder=Additional 3D encoder, Reduction ratio=↓60%2026.0487.3————42.4————————
3DRSModel category=Generalists, 3D geometric inputs=Yes2026.0386.1————41.6————————
Geo3DPrunerVideo sequence length=32, 3D Encoder=Additional 3D encoder, Reduction ratio=↓80%2026.0485.7————42.1————————
GAP-MLLM-3B (Ours)3D Input=✗2026.0384.7————42.1——————63.1—
Utonia2026.0383.9—————————————
Video-3D LLM (Uniform)3D Generalist=true, sampling strategy=uniform sampling2024.1183.8————41.3————————
Baseline2026.0383.8—————————————
Video-3D LLMModel category=Generalists, 3D geometric inputs=Yes2026.0383.8————41.3————————
Video-3D LLM(Uniform)3D Input=✓2026.0483.8————42.428.962.3——————
Video-3D LLMVideo sequence length=322026.0483.8————41.3————————
Sonata2026.0383.5—————————————
Geo3DPrunerVideo sequence length=32, 3D Encoder=Additional 3D encoder, Reduction ratio=↓90%2026.0482.3————41.3————————
VID-LLMModel category=Generalists, 3D geometric inputs=No2026.0381.5————40.6————————
GUIDE-9B3D Input=✗2026.0481.2————4130.162——————
Inst3D-LMMLLM=Qwen3-8B2026.0780.9————38————————
CAIRNLLM=Qwen3-8B2026.0780.7————36.2————————
VG-LLM (w/ GAP)3D Input=✗2026.0380.6————41.1——————62.8—
PQ3D3D Generalist=true2024.1180.3————36————————
PQ3DModel category=Generalists, 3D geometric inputs=Yes2026.0380.3————36————————
PQ3DLLM=None2026.0780.3————36————————
Video-3D LLM (MC)3D Generalist=true, sampling strategy=maximum coverage2024.1180————40.2————————
Video-3D LLM3D Input=✓2026.0380————40.2——————61.7—
VG LLM-8BInput 2D=true2026.0380————41.528.962.6——————
Video-3D LLMInput 2D=true, Input 3D=true2026.0380————40.228.561.7——————
VG LLM-8BModel category=Generalists, 3D geometric inputs=No2026.0380————41.5————————
Video-3D LLM(MC)3D Input=✓2026.0480————40.228.561.7——————
VG LLM-8B3D Input=✗2026.0480————41.528.962.6——————
VG LLMVideo sequence length=322026.0480————41.5————————
Video-3D-LLMVenue=CVPR’25, Input=RGBD2026.0680————40.228.561.7——————
Inst3D-LLMModel category=Generalists, 3D geometric inputs=Yes2026.0379.7————38.3————————
Inst3D-LMMLLM=Vicuna-7B-v1.52026.0779.7————38.3————————
Concerto2026.0379.6—————————————
LLaVA-3D3D Generalist=true2024.1179.2————41.1————————
LLaVA-3D3D Input=✓2026.0379.2————41.1——————63.4—
LLaVA-3DInput 2D=true, Input 3D=true2026.0379.2————41.130.263.4——————
LLaVA-3DModel category=Generalists, 3D geometric inputs=Yes2026.0379.2————41.1————————
LLaVA-3D3D Input=✓2026.0479.2————41.130.263.4——————
LLaVA-3D2026.0479.2————41.1————————
LLaVA-3DVenue=ICCV’25, Input=RGBD2026.0679.2————41.130.263.4——————
Motion-MLLM-4BInput 2D=true, Input M (egomotion)=true2026.0379————41.63064——————
3D-IDEModel category=Generalists, 3D geometric inputs=No2026.0379————40.7————————
DVTIEPruning Ratio=35%2026.0478.92————36.35————————
3D-LLaVAModel category=Generalists, 3D geometric inputs=Yes2026.0378.8————36.9————————
VG-LLM-4B3D Input=✗2026.0378.6————40.9——————62.4—
VG LLM-4BInput 2D=true2026.0378.6————40.928.662.4——————
VG LLM-4BModel category=Generalists, 3D geometric inputs=No2026.0378.6————40.9————————
VG LLM-4B3D Input=✗2026.0478.6————40.928.662.4——————
3DGraphLLMLLM=Qwen3-8B2026.0778.1————35.2————————
Chat-SceneModel Category=LLM-based Models2023.1277.1————36.3————————
ChatScene3D Generalist=true2024.1177.1————36.3————————
Chat-Scene3D Input=✓2026.0377.1————36.5————————
Chat-SceneInput 2D=true, Input 3D=true2026.0377.1————36.5————————
ChatSceneModel category=Generalists, 3D geometric inputs=Yes2026.0377.1————36.3————————
Chat-Scene3D Input=✓2026.0477.1————36.5————————
Chat-SceneVenue=NIPS’24, Input=PC2026.0677.1————36.5————————
Chat-SceneLLM=Vicuna-7B-v1.52026.0777.1————36.3————————
Occ-VLMInput=RGB2026.0676.5————38.928.260.8——————
Baseline (Chat-Scene)Pruning Ratio=0%2026.0476.35————35.86————————
FastVPruning Ratio=35%2026.0475.94————35.89————————
Fast3DPruning Ratio=35%2026.0475.83————35.56————————
DVTIEPruning Ratio=65%2026.0475.43————35.52————————
Chat-SceneLLM=Qwen3-8B2026.0775.4————34.5————————
DVTIEPruning Ratio=90%2026.0475.33————35.96————————
GPT4Scene-HDLLM=Qwen2-VL-7B2026.0774.4————37.9————————
ToMePruning Ratio=35%2026.0473.43————35.76————————
Fast3DPruning Ratio=65%2026.0473.24————34.77————————
Random PruningPruning Ratio=35%2026.0472.77————34.9————————
LEO3D Generalist=true2024.1172.4————38.2————————
LEO3D Input=✓2026.0372.4————38.2——————58.1—
LEOModel category=Generalists, 3D geometric inputs=Yes2026.0372.4————38.2————————
LEO3D Input=✓2026.0472.4————38.227.958.1——————
LEO2026.0472.4————38.2————————
LEOLLM=Vicuna-7B-v1.12026.0772.4————38.2————————
Grounded 3D-LLM3D Generalist=true2024.1170.6————35.5————————
Grounded 3D-LLMModel category=Generalists, 3D geometric inputs=Yes2026.0370.6————35.5————————
Grounded 3D-LLMLLM=Tiny-Vicuna-1B2026.0770.6————35.5————————
Grounded 3D-LLM3D Input=✓2026.0370.2————35————————
Grounded 3D-LLMInput 3D=true2026.0370.2————35————————
Grounded 3D-LLM3D Input=✓2026.0470.2————35————————
Fast3DPruning Ratio=90%2026.0469.25————32.98————————
LEOModel Category=LLM-based Models2023.1268.4————36.9————————
Vote2Cap-DETR++Model Category=Expert Models2023.1267.6————37.1————————
Vote2Cap-DETR++LLM=None2026.0767.6————37.1————————
3D-VisTAtraining=pre-trained2023.0866.97136.528.457.63427.154.3——————
3D-VisTAModel Category=Expert Models2023.1266.9————34————————
3D-VisTA3D Generalist=false2024.1166.9————34————————
3D-VisTAInput 3D=true2026.0366.9————34————————
3D-VisTAModel category=Specialists2026.0366.9————34————————
3D-VisTALLM=None2026.0766.9————34————————
LL3DAModel Category=LLM-based Models2023.1265.2————36.8————————
LL3DA3D Input=✓2026.0365.2————36.8——————55—
LL3DA3D Input=✓2026.0465.2————36.82655——————
LL3DAVenue=CVPR’24, Input=PC2026.0665.2————36.82655——————
LL3DALLM=OPT-1.3B2026.0765.2————36.8————————
Chat-3D v23D Generalist=true2024.1163.9————31.8————————
Chat-3D-v23D Input=✓2026.0363.9————31.8————————
Chat-3D v2Model category=Generalists, 3D geometric inputs=Yes2026.0363.9————31.8————————
Chat-3D-v23D Input=✓2026.0463.9————31.8————————
LL3DA3D Generalist=true2024.1162.9————36————————