12498 ورقة بحثية
يُعد X-Diffusion إطار عمل للتعلم عبر الهياكل المختلفة يستفيد من الانتشار المحيطي (Ambient Diffusion) لتدريب سياسات الروبوت بشكل انتقائي على عروض بشرية مشوشة، مما يستخلص بفعالية القصد ذي الصلة بالمهمة مع تصفية عدم الإمكانية المرتبطة بهيكل معين، مما يؤدي إلى تحسين معدلات نجاح عمليات المعالجة بشكل كبير.
تقدم هذه الورقة البحثية RoboTAG، وهو إطار عمل متكامل لتقدير وضعية الروبوت من صور RGB أحادية الكاميرا، والذي يستفيد من رسم بياني للمحاذاة الطوبولوجية مع فروع ثنائية وثلاثية الأبعاد متطورة معاً لدمج الأولويات ثلاثية الأبعاد وتقليل الاعتماد على البيانات المصنفة النادرة، مما يعالج الفجوة بين المحاكاة والواقع.
تقدم الورقة البحثية SandboxVLM، وهو إطار عمل يسد الفجوة النوعية بين التدريب ثنائي الأبعاد والمهام ثلاثية الأبعاد في نماذج الرؤية واللغة عبر الاستفادة من صناديق الإحاطة المجردة ومسار إعادة بناء متعدد المراحل لتعزيز الذكاء المكاني وقدرات الاستنتاج بشكل كبير دون الحاجة إلى تدريب إضافي.
تقدم الورقة البحثية DelAnyFlow، وهي منهجية قابلة للتوسع وفعالة من حيث التكلفة تجمع بين نموذج تجزئة مثيل يعتمد على YOLOv11 مدرب على مجموعة بيانات FBIS 22M الضخمة مع معالجة لاحقة مهيكلة لتوليد حدود حقول زراعية عالية الدقة على مستوى الدول من صور أقمار صناعية متعددة الدقة، مما يتفوق بشكل كبير على الحلول الحالية في كل من السرعة واكتمال الكشف.
تقدم هذه الورقة Target-Bench، وهو معيار مرجعي مبتكر يتكون من 450 سيناريو تم جمعها بواسطة روبوتات، صُممت لتقييم قدرات الاستدلال الدلالي وتخطيط المسار بدون خرائط لنماذج العالم المرئية، مما يكشف عن فجوة كبيرة بين الواقعية البصرية وأداء التخطيط، مع إثبات أن الضبط الدقيق على بيانات من العالم الحقيقي يمكن أن يحسن النتائج على مستوى المهام بشكل كبير.
تقدم هذه الورقة البحثية مفهوم التلاعب المتنقل المحفز بالصوت كنموذج جديد حيث تكتشف الوكلاء الأجسام باعثة الصوت وتتفاعل معها ذاتياً دون تعليمات صريحة، مدعومة بمنصة بيانات Habitat-Echo ونظام أساسي يظهر أداءً قوياً حتى في السيناريوهات الصوتية المعقدة والمتداخلة.
تُثبت هذه الورقة أن مصنفاً خطياً بسيطاً، يتم تدريبه على ميزات مجمدة من نماذج الرؤية التأسيسية الحديثة، يحقق قدرة تعميم هي الأفضل في مجال اكتشاف الصور المولدة بواسطة الذكاء الاصطناعي، متفوقاً بذلك على الكواشف المتخصصة في السيناريوهات الواقعية عبر الاستفادة من المعرفة الجنائية الناشئة المكتسبة أثناء التدريب المسبق واسع النطاق.
تقدم هذه الورقة البحثية شبكة MMHNet، وهي شبكة هرمية متعددة الوسائط تدمج نموذج Mamba غير السببي، مما يمكّن نماذج تحويل الفيديو إلى صوت المدربة على عينات قصيرة من التعميم بنجاح وتوليد صوت عالي الجودة تتجاوز مدته خمس دقائق، متفوقة بذلك على الأساليب السابقة التي تمثل حالة الفن الراهنة.
تحدد هذه الورقة "انزياح المعلومات البصرية ذات الصلة" (RVIS) كسبب رئيسي لفشل تقليم الرموز البصرية في مهام الاستدلال المعقدة داخل النماذج اللغوية الكبيرة متعددة الوسائط، وتقترح إطار عمل يسمى DSTP يعمل في مرحلة فك التشفيد ولا يتطلب تدريباً، وذلك لمواءمة اختيار الرموز ديناميكياً مع متطلبات الاستدلال المتغيرة، مما يؤدي إلى تحسين الأداء بشكل كبير عبر مختلف البنيات.
تتقصى هذه الورقة هجمات حقن الأوامر الطباعية على نماذج الرؤية واللغة، كاشفةً أن نجاح الهجوم يتأثر بشدة بحجم الخط والتحلل البصري، ويتفاوت بشكل كبير عبر النماذج والوسائط المختلفة، ويرتبط ارتباطاً عكسياً قوياً بمسافة التضمين بين النص والصورة، مما يثبت أن الدفاعات الفعالة يجب أن تُصمم لتناسب بنيات نماذج محددة بدلاً من الاعتماد على حلول عالمية.