现在AI都懂文物懂历史了。

一项来自北京大学的最新研究引发关注：他们推出了全球首个面向古希腊陶罐的3D视觉问答数据集——VaseVQA-3D，并配套推出了专用视觉语言模型VaseVLM。

这意味着，AI正在从“识图机器”迈向“文化考古Agent”。

传统视觉语言模型（VLM）如GPT-4V、Gemini等，擅长描述日常图像，在开放域视觉理解方面效果显著，但在面对文化遗产类复杂对象时——它们几乎“一脸茫然”。受限于训练数据的领域覆盖和语义建模能力，其对复杂纹饰、器形及文化背景的理解仍存在明显不足。

为什么？因为缺乏高质量、结构化的专业数据。

此次，北大牵头团队带来了突破性解决方案。

AI首次“看懂”古希腊陶罐

以往的视觉语言模型（VLM）如CLIP、LLaVA、GPT-4V等，虽然能识别日常图片，却在文化遗产这类专业领域失灵。

北大团队指出：“AI能认猫狗，却认不出陶罐的时代、风格与技法。”

于是他们构建了一个庞大的新基座VaseVQA-3D。

△VaseVQA-3D中的陶罐3D模型与问答示例：每个模型都能被AI“旋转、观察、回答”

ResNet-50质检：去掉模糊与残缺图像；
CLIP语义过滤：识别“碎片”与“完整器物”；
多视角选优：自动挑选最佳视角图像。三道筛选，留下3880张高质量的；

再用TripoSG技术把这些2D图转成664个高保真的GLB模型（像真的陶器一样能看前后上下）；

最后还通过GPT-4o生成问答与增强描述，配了4460组「问题-答案」（比如 “这个陶器的制作工艺是什么？”“是黑绘工艺”），甚至给每个3D模型写了详细说明。

为了保证3D模型质量，专门挑了24个高质量3D陶器当标准样板，用来检验生成的3D模型好不好。

总结下来就是：

664个高保真3D古希腊陶罐模型（GLB格式）
4460条考古问答数据
完整的2D→3D生成与质检流程
涵盖陶罐六大核心属性：材质、工艺、形制、年代、装饰、归属

VaseVLM：懂考古的视觉语言大模型

有了数据，团队进一步训练了专用模型 VaseVLM。

以Qwen2.5-VL为基底，通过两阶段强化：

阶段一：SFT监督微调 —— 用360°旋转视频+考古描述训练基础识别能力
阶段二：RLVR强化学习 —— 将考古知识拆分为六个语义维度（Fabric、Technique、Shape、Dating、Decoration、Attribution），AI会每个维度根据回答得到奖励。

这种“可验证奖励机制”让模型的回答更专业、更贴近学术标准。

△RLVR奖励机制：AI像考古学家一样分维度分析陶罐特征

在多项Vase-3D视觉问答任务上，VaseVLM的表现大幅超越现有模型。
相比最强基线模型，VaseVLM在R@1准确率提升12.8%；词汇相似度提升 6.6%；专家人工评分平均达4.57/5（10位考古专家评分）。

VaseVLM生成的描述更自然、学术准确，显著优于通用大模型。

未来，该项目计划拓展到更多文化遗产领域，并建立更完善的数字遗产展示形式，为数字考古提供全新技术路径。

论文原文：https://arxiv.org/abs/2510.04479
官方网站： https://aigeeksgroup.github.io/VaseVQA-3D
代码开源： https://github.com/AIGeeksGroup/VaseVQA-3D
数据集：https://huggingface.co/datasets/AIGeeksGroup/VaseVQA-3D