用途：为 3D 点云与多传感器融合数据的标注与训练架构提供选型和工作流指导，覆盖自动驾驶、机器人、基础设施巡检、农业与地理空间等方向。
主要能力：对比商用标注工具（BasicAI、Supervisely、Segments.ai、Deepen AI、Dataloop、Encord、Ango Hub）与开源方案（CVAT、3D BAT、Label Studio）的强弱与适用场景；说明 SAM4D（ICCV 2025，统一多模态位置编码 UMPE，对齐相机与 LiDAR，自动伪标签生成）与 Point-SAM（ICLR 2025，原生 3D 提示分割，由 2D SAM 蒸馏）以及 SAMNet++ 的混合流程；给出人机协同（模型预标注—人工校验—QA）流水线、共识抽样、主动学习与分层复核等质检策略；并就专用检测模型（YOLO、PointPillars、CenterPoint）与 VLM 的取舍及混合“快脑/慢脑”架构提供建议。
使用方式：按“是否需要实时推理—是否探索—是否已有标注数据”的决策树选择路线；工具选型可参考需求矩阵：大规模自动驾驶用 Deepen AI 或 BasicAI，研发灵活性用 Supervisely 或 Segments.ai，多模态用 Ango Hub 或 Dataloop，自托管用 CVAT + 3D 插件或 3D BAT，机器人感知用 Segments.ai，预算有限用 Label Studio 加自定义脚本。
适用场景与限制：适合点云与传感器融合标注流程设计；不适合纯 2D 标注、通用 ML 训练、无点云的视频标注、VLM 提示工程或摄影测量重建。资料提示常见误区：2D SAM 不能直接理解 3D 几何，AI 预标注仍需人工校验安全关键类别，VLM 延迟高且存在幻觉，单模态弱于融合。引用的基准与性能数据来自资料原文。