यह शोधपत्र 3D विज़ुअल ग्राउंडिंग (3DVG) में प्राकृतिक भाषा पाठ द्वारा संदर्भित 3D दृश्यों में वस्तुओं को खोजने के कार्य पर केंद्रित है। हाल के शोध ने LLM-आधारित 3DVG डेटासेट के विस्तार पर ध्यान केंद्रित किया है, लेकिन इन डेटासेट की सीमाएँ हैं क्योंकि ये उन सभी प्रकार के प्रश्नों को शामिल नहीं करते जिन्हें अंग्रेजी में व्यक्त किया जा सकता है। इसलिए, यह शोधपत्र 3DVG संकेतों का भाषाई विश्लेषण करने के लिए एक ढाँचा प्रस्तावित करता है और विभिन्न भाषा पैटर्न के लिए विज़ुअल ग्राउंडिंग विधियों के मूल्यांकन हेतु एक नैदानिक डेटासेट, ViGiL3D का परिचय देता है। हम मौजूदा ओपन-वोक्युलैबर 3DVG विधियों का मूल्यांकन करते हैं और दर्शाते हैं कि व्यावहारिक अनुप्रयोगों के लिए अधिक कठिन और वितरण-बाह्य प्रश्नों पर लक्ष्यों को समझने और पहचानने की क्षमता में उनमें अभी भी कमी है।
