Cet article aborde la recherche d'objets dans des scènes 3D référencées par du texte en langage naturel en 3D Visual Grounding (3DVG). Des recherches récentes se sont concentrées sur l'extension des jeux de données 3DVG basés sur LLM, mais ces jeux de données présentent des limites : ils ne couvrent pas tous les types de questions exprimables en anglais. Par conséquent, cet article propose un cadre d'analyse linguistique des invites 3DVG et présente ViGiL3D, un jeu de données diagnostique permettant d'évaluer les méthodes de 3DVG à vocabulaire ouvert pour divers modèles linguistiques. Nous évaluons les méthodes 3DVG à vocabulaire ouvert existantes et montrons qu'elles ne parviennent toujours pas à comprendre et à identifier les cibles pour des questions plus difficiles et hors distribution, en vue d'applications pratiques.
