12063 ورقة بحثية
تُعد MicroViTv2 نموذج محول رؤية (Vision Transformer) خفيف الوزن ومدرك للأجهزة، حيث يستفيد من المكونات المعاد تمثيلها (reparameterized components) وانتباه العمق المنقول الأحادي (Single Depth-Wise Transposed Attention) لتحقيق دقة وكفاءة طاقة فائقتين على أجهزة الحافة، مما يثبت أن التحسين من أجل الأداء في العالم الحقيقي أكثر أهمية من تقليل عمليات النقطة العائمة (FLOPs).
تقدم الورقة البحثية S-EMBER، وهو معيار مرجعي واسع النطاق يتكون من 388 ساعة من الفيديو من منظور الشخص الأول وما يقرب من 10,000 زوج من الأسئلة والأجوبة المصممة لتقييم وكشف الفجوة الكبيرة في أداء نماذج الذكاء الاصطناعي الحالية في استرجاع الذاكرة العرضية المتدفقة والمؤصلة للوكلاء القابلين للارتداء.
تقدم هذه الورقة البحثية VGI-Bench، وهو معيار مرجعي شامل يتكون من 27 مهمة و810 نماذج مصممة لتقييم قدرات الاستنتاج البصري لنماذج توليد الفيديو بدقة، مما يكشف أن حتى الأنظمة المتطورة مثل Seedance 2.0 لا تحقق سوى 51.0% من الدقة وتواجه صعوبة في التصحيح الذاتي الموثوق أثناء عملية التوليد.
تقدم هذه الورقة إطار العمل الهجين متعدد الوكلاء الهرمي (H²MAF)، الذي يدمج مخرجات مستوى القرار من EfficientNet-B3 وConvNeXt-Tiny مع التحكيم الدلالي بواسطة النماذج اللغوية الكبيرة متعددة الوسائط (Gemma 4 وQwen3.5) لتحقيق تشخيص دقيق وقابل للتفسير لأمراض النباتات عبر مجموعات بيانات معيارية وميدانية روبوتية واقعية.
تقدم هذه الدراسة إطار عمل متعدد الوسائط للرؤية واللغة، خفيف الوزن وقابل للنشر على الحافة، يعتمد على TinyCLIP، ويحقق تصنيفاً وتحديداً دقيقين وقابلين للتفسير للبنى التشريحية لثمار التفاح في مراحلها المبكرة (الكأس، والجسم، والعنق) لدعم عملية التخفيف الروبوتية والإدارة الدقيقة للبساتين.
يُعد GaussVLA نموذجاً للرؤية واللغة والعمل يعتمد على بنية Mamba وفعالية في استخدام المعلمات، حيث يعزز الاستدلال المكاني عبر تقديم مُرمز غاوسي مكاني (Gaussian Spatial Tokenizer) لتحويل الميزات ثنائية الأبعاد إلى رموز غاوسية ثلاثية الأبعاد مدمجة، ووحدة تسلسل أفكيمدركة للعمق (Depth-Aware Chain-of-Thought) للاستدلال الهندسي المنظم، محققاً أداءً هو الأفضل في فئته على معيار LIBERO بـ 200 مليون معلمة فقط.
إنَّ SHIFT-LLM هو إطار عمل للتقليم اللاحق لا يتطلب تدريباً، يعمل على استعادة الدقة في النماذج اللغوية الكبيرة التي تم تقليم عمقها عن طريق إدراج محولات متبقية خطية خفيفة الوزن تمت معايرتها عبر الانحدار ذي الصيغة المغلقة لتصحيح التحولات التوزيعية الناتجة عن إزالة كتل المحولات (Transformer blocks).
تدقق هذه الورقة أربعة مقاييس شائعة لمزامنة الصوت والصورة بموجب بروتوكول موحد للموثوقية، كاشفةً أنها تقيس جوانب متميزة من المزامنة بدلاً من مفهوم موحد واحد، وتوصي بناءً على ذلك بالإبلاغ عن "بطاقة موثوقية" شاملة بدلاً من الاعتماد على درجة واحدة.
تقدم هذه الورقة البحثية إطار عمل GLAD، وهو إطار عمل مبتكر للكشف عن الشذوذ متعدد الرؤى يمنع "تسرب المعلومات عبر الرؤى" — حيث تقوم الإشارات الطبيعية من الرؤى السليمة بإعادة بناء المناطق الشاذة بشكل خاطئ — وذلك من خلال توظيف آلية انتباه عالمي-محلي لدمج الميزات الخاصة بكل رؤية بشكل انتقائي مع تقييد معلومات وحدة فك التشفير صراحةً للحفاظ على فجوة إعادة البناء الحرجة.
تتقصى هذه الورقة أنماط الفشل في نماذج الرؤية واللغة الطبية تحت تأثير تحولات التوزيع، كاشفةً أن الكفاءة الظاهرية ضمن النطاق غالباً ما تخفي أوجه قصور حرجة في النقل البصري عبر مجموعات البيانات، والمحاذاة متعددة الوسائط، والقابلية للتأثر بالاختصارات المستمدة من البيانات الوصفية، مما يسلط الضوء على الحاجة إلى بروتوكولات تقييم صارمة ومختبرة بالإجهاد.