INSAIT与复旦大学等单位联合提出的ObjectRelator框架，首次实现了第一人称与第三人称视角下同一物体的精准匹配，显著提升了视觉理解的连贯性与准确性。该框架通过引入语言描述与视觉特征融合，以及自监督对齐策略，解决了背景干扰和视觉变换问题，在多个基准测试中刷新了当前最佳性能（SOTA）。