SceneScript behandlar 3D-rekonstruktion som ett språkproblem snarare än ett geometriskt problem. Modellen tittar på en video av ett rum och lär sig bara att skriva ett manus för det. Den spottar automatiskt ut textkommandon som make_wall(...) eller make_bbox(...) som definierar scenen. Stanfords nya dokument "Scene Language" går ett steg längre och lägger till CLIP-inbäddningar för att fånga det visuella utseendet också. Det faktum att språkmodeller redan förstår rumsliga relationer tillräckligt bra för att skriva ut scendiagram är ganska vilt.