RRepoGEO

REPOGEO 报告 · LITE

nv-tlabs/LLaMA-Mesh

默认分支 main · commit 82a36bc0 · 扫描时间 2026/5/14 06:37:40

星标 1,150 · Fork 78

AI 可见性总分
40 /100
亟需修复
品类召回
0 / 2
在所有问题中均未被推荐
规则结果
通过 2 · 警告 0 · 失败 0
客观元数据检查
AI 认识你的名字
3 / 3
直接询问时，AI 是否点名你的仓库
如何阅读这份报告

行动计划告诉你下一步要做什么——按影响力排序、可直接复制粘贴的修改。品类可见性是真正的 GEO 测试：当用户向 AI 提一个不带品牌、本应让 nv-tlabs/LLaMA-Mesh 浮出水面的问题时，AI 是真的推荐了你，还是推荐了你的竞品？客观检查验证 AI 引擎最先权衡的那些元数据信号。自指检查判断 AI 是否还认识你的名字。

行动计划 — 可复制粘贴的修复

3 条由 gemini-2.5-flash 生成、按优先级排序的修改。修完后请把对应条目标记为完成。

整体方向
  • highreadme#1
    Add a 'What is LLaMA-Mesh?' section to clarify its purpose and counter misinterpretations

    原因：

    复制粘贴的修复
    ## What is LLaMA-Mesh?
LLaMA-Mesh is a pioneering framework that unifies 3D mesh generation with large language models, allowing you to create and understand 3D objects through natural language conversations. **It is specifically designed for 3D content creation and understanding, not for distributed LLM inference or deployment.**
  • mediumreadme#2
    Enhance the README's opening to highlight the unique LLM-3D integration

    原因：

    当前
    Create 3D meshes by chatting.
    复制粘贴的修复
    Create 3D meshes by chatting. LLaMA-Mesh is the first to demonstrate that LLMs can be fine-tuned to acquire complex spatial knowledge for 3D mesh generation in a text-based format, effectively unifying the 3D and text modalities.
  • lowreadme#3
    Clarify the project's license directly in the README

    原因：

    复制粘贴的修复
    ## License
This project is licensed under the terms specified in the [LICENSE](LICENSE) file. Please refer to the file for full details on the applicable licenses.

本次扫描解析到的品类 GEO 通道：google/gemini-2.5-flash, deepseek/deepseek-v4-flash

品类可见性 — 真正的 GEO 测试

向 google/gemini-2.5-flash 提出的不带品牌问题。AI 推荐了你，还是推荐了别人？

各模型使用同一组问题 — 切换标签对比回答与排名。

召回
0 / 2
0% 的问题里出现了 nv-tlabs/LLaMA-Mesh
平均排名
—
越小越好。#1 表示首位推荐。
声量占比
0%
在所有被点名的工具中，你占了多少？
头号对手
DreamFusion
在 2 个问题中被推荐 2 次
竞品排行
  1. DreamFusion · 被推荐 2 次
  2. Magic3D · 被推荐 2 次
  3. Shap-E · 被推荐 2 次
  4. Point-E · 被推荐 2 次
  5. Blender · 被推荐 1 次
  • 品类问题
    How can I use large language models to generate 3D mesh objects from text descriptions?
    你：未被推荐
    AI 推荐顺序：
    1. DreamFusion
    2. Magic3D
    3. Shap-E
    4. Point-E
    5. Blender
    6. GPT-4
    7. Claude 3 Opus
    8. Unity
    9. Unreal Engine
    10. ChatGPT
    11. Llama 3
    12. Neuralangelo

    AI 推荐了 12 个替代方案，却始终没点名 nv-tlabs/LLaMA-Mesh。这就是要补上的差距。

    查看 AI 完整回答
  • 品类问题
    What are the best methods for generating 3D models directly from natural language prompts?
    你：未被推荐
    AI 推荐顺序：
    1. DreamFusion
    2. Magic3D
    3. Point-E
    4. Shap-E
    5. Luma AI
    6. Spline

    AI 推荐了 6 个替代方案，却始终没点名 nv-tlabs/LLaMA-Mesh。这就是要补上的差距。

    查看 AI 完整回答

客观检查

针对 AI 引擎最看重的元数据信号的规则审计。

  • Metadata completeness
    pass

  • README presence
    pass

自指检查

当被直接问到你时，AI 是否还知道你的仓库存在？

  • Compared to common alternatives in this category, what is the core differentiator of nv-tlabs/LLaMA-Mesh?
    pass
    AI 明确点名了 nv-tlabs/LLaMA-Mesh

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • If a team adopts nv-tlabs/LLaMA-Mesh in production, what risks or prerequisites should they evaluate first?
    pass
    AI 明确点名了 nv-tlabs/LLaMA-Mesh

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • In one sentence, what problem does the repo nv-tlabs/LLaMA-Mesh solve, and who is the primary audience?
    pass
    AI 明确点名了 nv-tlabs/LLaMA-Mesh

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

嵌入你的 GEO 徽章

把这个徽章贴进 nv-tlabs/LLaMA-Mesh 的 README。每次重新扫描都会自动更新，并跳到最新报告——是「我在乎 AI 可发现性」最简单的公开证明。

RepoGEO badge preview实时预览
MARKDOWN（README）
[![RepoGEO](https://repogeo.com/badge/nv-tlabs/LLaMA-Mesh.svg)](https://repogeo.com/zh/r/nv-tlabs/LLaMA-Mesh)
HTML
<a href="https://repogeo.com/zh/r/nv-tlabs/LLaMA-Mesh"><img src="https://repogeo.com/badge/nv-tlabs/LLaMA-Mesh.svg" alt="RepoGEO" /></a>
Pro

订阅 Pro，解锁深度诊断

nv-tlabs/LLaMA-Mesh — 轻量扫描仍免费；本卡列出 Pro 相对轻量的深度额度。

  • 深度报告每月 10 次
  • 无品牌品类查询5，轻量 2
  • 优先行动项8，轻量 3