12498 ورقة بحثية
إن SilVR هو إطار عمل بسيط، ومرن، ولا يتطلب تدريباً، يعزز قدرات النماذج اللغوية الكبيرة متعددة الوسائط في الاستدلال بالفيديو من خلال تفكيك المهام المعقدة إلى مرحلتين: تحويل الفيديو الخام إلى تمثيلات لغوية متعددة الحواس، والاستفادة من النماذج اللغوية الكبيرة القوية مع تقليل السياق التكيفي لتحقيق أداء رائد في مختلف اختبارات قياس الفيديو.
تُعد طريقة التوجيه البصري المتناثر (VS2) وسيلة خفيفة الوزن وغير خاضعة للإشراف للتكيف أثناء وقت الاختبار، حيث تعمل على تحسين دقة تصنيف الصور من خلال بناء نواقل توجيه من ميزات المشفر التلقائي المتناثر دون تحديث أوزان النموذج أو الحاجة إلى بيانات مصنفة، مع توفير تشخيص للموثوقية لضمان العودة الآمنة إلى النموذج الأساسي.
تقدم هذه الورقة إطار تقييم موحداً لتقدير قدرات التنبؤ للنماذج الرؤيوية الأساسية المجمدة من خلال تدريب نماذج الانتشار الكامن على التنبؤ بالميزات المستقبلية في فضاء التمثيل، مما يكشف أن النماذج المدربة مسبقاً على الفيديو تتفوق على تلك المدربة على الصور، وأن القدرة على التنبؤ ترتبط ارتباطاً وثيقاً بالجودة الإدراكية بينما تقدم الإشراف اللغوي فوائد غير متسقة.
تقدم هذه الورقة البحثية نموذج C-VAE، وهو نموذج توليدي يستخدم توزيعات "ستودنت t" (Student's ) المشتركة لكل فئة وهدف تباعد للتغلب على الانحيازات الهندسية الكامنة في التوزيعات ذات الذيول الطويلة، محققاً بذلك قدرة فائقة على التوليد المتوازن بين الفئات وتغطية الأنماط في مجموعات البيانات شديدة عدم التوازن مقارنة بنماذج VAE المرجعية الحالية.
يُعد RadAgents إطار عمل جديداً متعدد الوكلاء يعزز تفسير صور الأشعة السينية للصدر من خلال دمج الأوليات السريرية، والاستدلال متعدد الوسائط المدرك للمهام، وآليات التأسيس لمحاكاة سير عمل أخصائي الأشعة، مما ينتج مخرجات تشخيصية متوافقة سريرياً، ومؤسسة بصرياً، وقابلة للتحقق.
تقدم هذه الورقة البحثية AIM-CoT، وهو إطار عمل جديد لسلسلة الأفكار المتداخلة الأنماط (Interleaved-Modal Chain-of-Thought)، يعزز الاستدلال بين الرؤية واللغة من خلال معالجة أوجه القصور في آليات اختيار الأدلة وتحفيزها الحالية عبر توليد خرائط انتباه معززة بالسياق، والاستقصاء البصري النشط، ومحفز تحول الانتباه الديناميكي.
تقدم الورقة البحثية إطار عمل HAMLET، وهو إطار عمل قابل للتوسع يعزز نماذج الرؤية واللغة والعمل (Vision-Language-Action) من خلال دمج رموز لحظات التباين الزمني ووحدة ذاكرة خفيفة الوزن للاستفادة بفعالية من السياق التاريخي، مما يحسن بشكل كبير أداء التلاعب الروبوتي في المهام طويلة المدى والمهام المعتمدة على التاريخ.
تقدم هذه الورقة أول نهج قائم على محولات الرؤية (vision-transformer) لعد الأجسام متعدد الفئات، والذي يجمع بين هيكل Twins-SVT مع فك تشفير CNN متعدد المقاييس ووحدة تجزئة مساعدة لتحقيق أداء هو الأفضل في حالته عبر كل من المشاهد الكثيفة والمنتشرة، متفوقاً بشكل كبير على مقدرات الكثافة والكواشف الحالية.
تتحدى هذه الورقة الرؤية التقليدية التي تفترض أن النهايات الصغرى المسطحة تضمن بطبيعتها تعميماً أفضل، محاججةً من خلال دراسات تجريبية مكثفة بأن الحدة هي خاصية تعتمد على الدالة — حيث غالباً ما ترتبط النهايات الصغرى الأكثر حدة بتحسين الأداء والمتانة والمعايرة عندما يتم تنظيم النماذج بشكل صحيح، رغم أن التمييز بين الحدة المدفوعة بالمهمة والحدة المدفوعة بالحفظ يظل سؤالاً عملياً مفتوحاً.
تقترح هذه الورقة طريقة عامة لاختيار نماذج الفئات لعملية إعادة تحديد هوية الأشخاص، والتي تتجاوز مراكز الفئات التقليدية لتختار تمثيلات مثالية ديناميكيًا أثناء عملية الاسترجاع، محققةً بذلك أداءً هو الأفضل في فئته من خلال الموازنة بين الدقة ومتوسط الدقة المتوسطة عبر مختلف نماذج التضمين.