12113 ورقة بحثية
تقدم هذه الورقة البحثية "Flat-Pack Bench"، وهو معيار مرجعي جديد مصمم لتقييم قدرات الاستدلال المكاني-الزماني الدقيقة للنماذج اللغوية البصرية الكبيرة من خلال مهام تجميع الأثاث، مما يكشف أن النماذج الحالية الرائدة تواجه صعوبة كبيرة في الترتيب الزمني، وتحديد الحالة، وتزاوج الأجزاء، والتتبع.
تقدم الورقة البحثية BEiTScore، وهو مقياس لتقييم وصف الصور لا يعتمد على مرجع، يستفيد من نموذج مشفر متقاطع خفيف الوزن تم تدريبه باستخدام بيانات معززة بنماذج لغوية كبيرة تنافسية لتحقيق أداء رائد في الحساسية والتعميم التركيبي مع الحفاظ على الكفاءة الحسابية.
يقدم هذا البحث SceneGraphGrounder، وهو إطار عمل لربط المشاهد ثلاثية الأبعاد بصرياً بنمط "الصفر من التدريب" (zero-shot)، يستفيد من التلقين بالعلامات البصرية لبناء مخطط مشهد ثلاثي الأبعاد مستمر من مشاهد ثنائية الأبعاد، مما يتيح تحديد مواقع الأشياء بدقة وقابلية للتفسير من خلال مطابقة المخططات الهيكلية دون الحاجة إلى تدريب مخصص للمهمة.
تقدم هذه الورقة نموذجاً تأسيسياً مفتوح المصدر ومتعدد المراكز لتجزئة أورام الجسم بالكامل عبر التصوير المقطعي بالإصدار البوزيتروني المعتمد على الفلوروديوكسي غلوكوز (FDG PET/CT)، والذي يستخدم دمجاً مبكراً متعدد الأنماط وهدف ترميز تلقائي مقنع متخصص لتحقيق أداء عالٍ بأقل قدر من البيانات المصنفة، مما يقلل من الاعتماد على التوصيفات اليدوية المكثفة في مجال الأورام السريرية.
تقدم هذه الورقة إطار عمل متعدد الوسائط مكون من مرحلتين يقوم بتدريب مشفرات النص والصوت والرؤية والحركة بشكل مستقل قبل دمجها عبر منظم انحدار خفيف الوزن للتنبؤ بستة أبعاد مستمرة لشدة العاطفة، محققة المركز الثالث في تحدي Hume-ABAW10 لمحاكاة شدة العاطفة بمعامل ارتباط بيرسون قدره 0.57 لمجموعة الاختبار.
يُعد Thermo-VL نموذجاً جديداً للرؤية واللغة يعزز الإدراك في ظروف الإضاءة المنخفضة من خلال دمج مشفر حراري قابل للتدريب ووحدة دمج ثنائية الانتباه موجهة نصياً في هيكل Molmo-7B المجمد، مما يتيح استدلالاً قوياً عبر الأطياف المتعددة من خلال مجموعة بيانات ومعيار قياس مستحدثين للبيانات المرئية (RGB-حرارية).
إنَّ MAVEN هو مسار وكلاء متعدد المراحل يقوم تلقائياً بتوليد بيانات استدلال فيديو عالية الجودة ومنظمة مع تتبعات "سلسلة الأفكار" (Chain-of-Thought) من خلال صقل هرمي وتكيف مع النطاق، مما يعزز بشكل كبير أداء نماذج الرؤية واللغة (Vision Language Models) التي تم ضبطها بدقة على اختبارات قياس الاستدلال في الأحداث المعقدة.
تقدم هذه الورقة البحثية طريقة "التقطير داخل السياسة ذو الميزة البصرية" (VA-OPD)، وهي طريقة تدريب مبتكرة لنماذج الرؤية واللغة تستفيد من إشارات الميزة البصرية على مستوى الرمز للتمييز بين الرموز الحرجة بصرياً وإعطائها الأولوية أثناء عملية التقطير، مما يؤدي إلى تحسين الأداء بشكل كبير في معايير الاستدلال الرياضي والفهم البصري عبر مختلف أحجام النماذج المعلمة.
تكشف هذه الورقة أن النماذج اللغوية الكبيرة متعددة الوسائط تمتلك قدرات كامنة في الربط الزمني ضمن انتباه مرحلة التعبئة المسبقة (prefill attention) لكنها تفشل في استغلالها أثناء التوليد، مما دفع إلى ابتكار إطار عمل للاستدلال بدون تدريب يستخلص إشارات الانتباه هذه لتقييد السياق البصري وتحسين أداء الربط الزمني للفيديو بشكل كبير.
تقترح هذه الورقة إطار عمل تآزري للتعلم العميق يجمع بين نماذج ConvNeXt-Tiny المدربة مسبقاً على ImageNet وتلك المدربة مسبقاً باستخدام المشفر التلقائي المقنع الموجه بالإنتروبيا في نموذج واحد (ensemble)، محققاً أداءً هو الأفضل حالياً في تصنيف الصور الطبية من خلال معالجة التحديات مثل محدودية البيانات المشروحة والتباين العالي داخل الفئة الواحدة عبر مجموعات البيانات المتنوعة بفعالية.