室内指代检索先看类别名：ScanRefer上R@10从0.626升到0.911，几何打分只在改写查询里翻盘
核心概要
在固定提示词预算下，把查询匹配到物体类别名比成对几何打分更能把目标放进上下文，ScanRefer上R@10从0.626升到0.911，但查询不含目标类别词时几何打分反超。
深度剖析
在固定token预算的候选检索里，把查询与物体类别名做语义匹配，比按成对几何关系打分更能把目标物体排进前列。 此前的默认做法是查询无关的场景图，同一批边无论查询说的是空间布局还是只提类别名都会进入提示词；成对几何打分是另一条可选路径。 在ScanNet室内指代基准ScanRefer gt_val上，MiniLM的R@10为0.911、BGE-small为0.913，成对几何打分器QCRR为0.626，加性名词匹配为0.864；Nr3D上MiniLM R@10为0.941、QCRR为0.634。
几何打分并非无用，它在查询没有逐字写出目标类别时反超类别匹配。 在ScanRefer中8,660条逐字命中目标类别的查询上，Cue-only的R@10为0.756、QCRR为0.652；一旦进入改写目标桶，排序翻转。 在848条非逐字匹配查询上，QCRR的R@10为0.440、Cue-only为0.288，相差15.2个百分点；该表未报告MiniLM与BGE-small。
检索排名的差异会传导到下游定位精度，把目标放进序列化图比单纯提高召回更关键。 修正后的3DGraphLLM评测中，随机选择与查询无关近邻图的下游Acc@0.25分别为0.443和0.410，语义选择器更高。 在匹配物体预算下，MiniLM为0.673、名词基线为0.647、QCRR为0.557、完整图为0.670、oracle为0.697；GT在预算内的比例分别为0.96、0.94、0.82、1.00、1.00。
启示与展望
所有主表实验都在ScanNet衍生的室内指代基准上完成，物体用轴对齐包围盒表示，默认预算为若干关系与若干物体，与3DGraphLLM评测一致。端到端部分只评测一个已发布的3DGraphLLM检查点，未测量其他骨干网络。作者计划释放协议、检索器实现与逐查询输出，使新的选择器可以替换进来而不必重写分析。
轴对齐包围盒难以表示细长或可动部件，视角相关语言在固定世界坐标系下只被粗略处理。比较只涉及两个小型类别名编码器和一3DGraphLLM检查点，其他场景LLM骨干未测试。留一法描述上界使用同一实例的其他ScanRefer标注，部署时不可得。token比例度量依赖序列化模板，绝对值不能跨模板比较。CityRefer室外验证上各方法接近随机，因此未进入主表。