12113 ورقة بحثية
تقترح هذه الورقة إطار عمل للدمج العصبي الرمزي خالٍ من المعرفة بالمجال، يستفيد من مجمعات ناقلات التسمية والاستنباط القائم على الاتساق لدمج كواشف "ViT" سابقة التدريب بشكل قوي، محققاً أداءً فائقاً على نماذج التصويت بالأغلبية المرجعية في ظل كل من التحولات التوزيعية والهجمات العدائية المنسقة.
يُعد PADFormer نهجاً جديداً وفعالاً في حيز الصورة للكشف عن الشذوذ غير المرتبط بالوضعية، حيث يستخدم محول رؤية (Vision Transformer) لإعادة بناء الصور الخالية من الشذوذ من مشاهد متفرقة عبر إعادة البناء المقنع عبر الرؤى والاستدلال التجميعي، محققاً أداءً رائداً دون الحاجة إلى إعادة بناء ثلاثية الأبعاد مكلفة حاسوبياً.
يُعد OmniVR نموذجاً رائدًا لتوليد الصوت والفيديو بـ 22 مليار معلمة، يقوم بترميم الأفلام التاريخية المتدهورة عبر صياغة المهمة كعملية توليد شرطي ضمن نموذج محول انتشار متعدد الوسائط (DiT) موحد، حيث يعالج في آن واحد التدهور البصري والصوتي مع ضمان الاتساق بين الوسائط والتلوين الطبيعي.
تقدم هذه الورقة البحثية SIGNPOST-Bench، وهو معيار مرجعي مضاد للواقع ومنضبط يتكون من 25,555 متغيراً صورياً لتقييم كيفية حل النماذج اللغوية الكبيرة متعددة الوسائط للتعارضات بين الإشارات البصرية والنصية، مما يكشف أن التدخلات النصية العدائية تضعف دقة تحديد الموقع الجغرافي بشكل كبير وتكشف عن سلوكيات تحكيم متميزة عبر 20 نموذجاً تم تقييمها.
تقدم هذه الورقة CLIP-CC-Bench، وهو إطار تقييم مبتكر يتكون من مقاطع أفلام مدتها 90 ثانية مع أوصاف فقرات مكتوبة من قبل خبراء ومنهجية تجميع قوية قائمة على النماذج اللغوية الكبيرة لتقييم وتصنيف قدرات وصف الفيديو طويلة المدى لـ 17 نموذجاً من نماذج اللغة والفيديو المتطورة، مما يعالج الفجوة التي تركتها الاختبارات المرجعية الحالية المقتصرة على المقاطع القصيرة والأسئلة والأجوبة فقط.
تقدم الورقة البحثية iStructTab، وهو إطار عمل للتعلم متعدد الوسائط يستخدم تسلسل الواصفات المعزز بالرسوم البيانية (GEDS) لتحسين ترتيب الميزات عبر الرسوم البيانية للتشابه ويدمج هذا الهيكل في محول مدرك للترتيب، مما يؤدي إلى تقليل تشتت الميزات وتحسين الأداء التنبؤي بشكل كبير في معايير البيانات الصورية والجدولية.
يُعد Poly-OPD إطار عمل للتقطير القائم على السياسة متعدد المعلمين غير المتجانس، والذي يدمج نقاط القوة المتكاملة من نماذج تحويل النص إلى صورة غير المتوافقة في نموذج طالب واحد مدمج يعتمد على مطابقة التدفق، وذلك عبر جسر الفضاءات الكامنة بواسطة إعادة الترميز على مستوى البكسل والإشراف باستخدام DINOv2، مع توظيف محولات متوافقة مع التدرج ومنهج تعليمي مدرك للفجوات لتحقيق أداء فائق في كل من اتباع التعليمات التركيبية والمواءمة الجمالية.
إن ReGround هو إطار عمل ثنائي المراحل يستعيد التأسيس البصري في نماذج الرؤية واللغة أثناء الاستدلال متعدد الخطوات من خلال تعليمها كيفية التشخيص الذاتي ذاتياً لإخفاقات التأسيس وإعادة فحص الأدلة البصرية بشكل انتقائي، محققاً مكاسب كبيرة في الأداء دون تعديلات هيكلية أو أدوات خارجية.
يُعد Faster-WAM نموذجاً فعالاً لنمذجة أفعال العالم (World Action Model) يحل التوازن بين سرعة الاستدلال والمتانة من خلال تقديم إطار عمل للشرط المستقبلي المتناثر، والذي يعيد استخدام التمثيلات المستقبلية المحسوبة مسبقاً بشكل انتقائي لتحقيق أداء رائد وسرعة استدلال أكبر بكثير مقارنة بالطرق الحالية.
تقدم هذه الورقة البحثية AmodalDINO، وهو نموذج تنبؤ كثيف متعدد الرؤوس يعيد بناء أحافير الأوراق الكاملة من صور جزئية دون الحاجة إلى أقنعة مرئية مسبقة، محققاً دقة عالية من خلال نموذج DINOv3 المضبط بدقة ورؤوس تعرق مساعدة، مع تمكين النشر العملي دون اتصال بالإنترنت وتقدير مساحة السطح.