موضوع
Models that natively process text+image+audio+video
۱٬۴۲۰ مقاله منتشر شده
چارچوب AHA-WAM با جداسازی پیش‌بینی جهان از اجرای عملیات، تأخیر کنترل بسته-حلقه در ربات‌ها را ۴.۵۹ برابر کاهش داده است. این معماری مبتنی بر ترنسفورمرهای انتشار دوگانه، امکان کنترل…
پژوهشگران بنچمارک OmniGameArena را برای اندازه‌گیری نحوه بهبود عامل‌های مدل زبانی-دیداری از طریق بازتاب خودکار معرفی کرده‌اند. برخلاف تابلوهای امتیازات ایستا، این سیستم مسیر…
سیستم MeCo با استفاده از رویکرد MeanFlow، شکاف میان معیارهای ریاضی و کیفیت شنیداری انسان در جداسازی گفتار چندکاناله را پر می‌کند. این مدل یک «اصلاح‌گر» تک‌مرحله‌ای است که…
یک چارچوب جدید برای تشخیص ناهماهنگی‌های صنعتی با ترکیب پرومپت‌های بصری و نظارت دوقلو، مشکل تغییرات مقیاس و نورپردازی در محیط‌های واقعی را حل کرده است. این روش در بنچمارک AeBAD،…
پژوهشگران دریافتند که توکن‌های بصری در مدل‌های چندوجهی پیش از رسیدن به لایه‌های نهایی اشباع می‌شوند. چارچوب DPVR-LF با مسیریابی این توکن‌ها به یک شاخه جانبی، عملکرد مدل را با تنها…
محققان مجموعه‌داده‌ی ArtiFact را شامل بیش از ۶۵۰ هزار رکورد میراث فرهنگی منتشر کردند. این بنچمارک فاش می‌کند که سیستم‌های فعلی هوش مصنوعی در تشخیص ناهماهنگی‌های تاریخی ظریف و…
تحلیلی بر مدل‌های بنیادی ویدیو نشان می‌دهد که V-JEPA در درک قوانین فیزیک شهودی را به مدل‌های مبتنی بر انتشار و بازسازی پیشی می‌برد. این یافته‌ها تأیید می‌کند که هدف پیش‌آموزش…
چارچوب ATN3D با ادغام هوشمند لایدار و رادار، مشکل پراکندگی داده‌ها در تشخیص اشیاء دوردست را حل کرده است. این مدل دقت شناسایی را در مه غلیظ ۸.۴۱٪ بهبود می‌بخشد و زمان تصمیم‌گیری…
چارچوب ReCoVLA با استفاده از مدل‌های چندوجهی برای هدایت پاداش‌ها، توانایی ربات‌ها در بازیابی از شکست‌ها را بدون نیاز به بازآموزی سیاست اصلی افزایش می‌دهد. این روش نرخ موفقیت…
یک چارچوب جدید یادگیری عمیق با ادغام داده‌های تصویری و متادیتای تجربی، مشکل ابهام کنتراست در میکروسکوپ‌های الکترونی را حل کرده است. این سیستم در طبقه‌بندی عیوب تصویربرداری با…
یک تحلیل آکادمیک نشان می‌دهد درام‌های کوتاه تولیدشده توسط هوش مصنوعی، از زیبایی‌شناسی «بانمک» برای پنهان کردن کلیشه‌های جنسیتی و نژادی استفاده می‌کنند. این متد که «شستشوی…
مدل جدید CT-VAM با استفاده از معماری الهام‌گرفته از سیستم عصبی انسان، موفق شد با ۶۸ میلیون پارامتر، عملکرد مدل‌های عظیم بینایی-زبانی-کنشی (VLA) را در کنترل ربات‌ها بازتولید کند.…