12553 ورقة بحثية
يُعد PaCo-FR إطار عمل للتدريب المسبق غير الخاضع للإشراف يجمع بين نمذجة الصور المقنعة ومحاذاة الرقعة مع البكسل وقيود الاتساق المكاني لتحقيق تعلم تمثيل وجهي رائد من خلال التقاط الدلالات الدقيقة والهياكل التشريحية بفعالية مع تقليل الاعتماد على البيانات المصنفة.
تُعد Matrix-Game 2.0 نموذج عالم تفاعلي في الوقت الفعلي ومفتوح المصدر، يستفيد من خط أنابيب بيانات قابل للتوسع، وحقن الأفعال، والتقطير متعدد الخطوات لتوليد مقاطع فيديو عالية الجودة مدتها دقيقة واحدة وبمعدل 25 إطاراً في الثانية بناءً على مدخلات المستخدم.
يقدم MetaEmbed إطار عمل جديد للاسترجاع متعدد الوسائط يستخدم رموز ميتا (Meta Tokens) قابلة للتعلم وتدريب متجهات ماتريوشكا متعددة (Matryoshka Multi-Vector) لتمكين التوسع المرن لجودة وكفاءة الاسترجاع في وقت الاختبار، محققاً أداءً هو الأفضل في فئته على معايير مثل MMEB وViDoRe.
تقدم هذه الورقة FastForward، وهي طريقة تغذية أمامية (feed-forward) تحقق دقة رائدة في تحديد موقع الكاميرا مع حد أدنى من وقت إعداد الخرائط، وذلك عن طريق تمثيل المشاهد كمجموعات سمات مرتكزة ثلاثية الأبعاد للتنبؤ بالتوافق بين الصورة والمشهد في تمريرة واحدة.
تقدم هذه الورقة MATRIX، وهي طريقة تنظيم تهدف إلى محاذاة آليات الانتباه في نماذج Video DiTs مع مسارات أقنعة متعددة المثيلات من مجموعة بيانات MATRIX-11K المنسقة حديثاً لتعزيز توليد الفيديو المدرك للتفاعل عبر تحسين التجذر الدلالي والانتشار مع تقليل الهلوسة.
لمعالجة ندرة البيانات وفجوات النطاق في مراقبة الماشية، يقترح المؤلفون Cattle-CLIP، وهو إطار عمل رؤية-لغة متكيف مع النطاق يعيد صياغة التعرف على سلوك الماشية كتحاذٍ دلالي عبر الوسائط، ويقدم مجموعة بيانات CattleBehaviours6، محققاً دقة بنسبة 96.1% في الإعدادات الخاضعة للإشراف وتعماً قوياً في سيناريوهات التعلم من أمثلة قليلة.
تقدم هذه الورقة البحثية DialectGen، وهو معيار قياسي واسع النطاق يكشف عن تدهور كبير في أداء النماذج التوليدية متعددة الوسائط عند معالجة المدخلات اللهجية، وتقترح استراتيجية تخفيف مبتكرة قائمة على الترميز تعمل بفعالية على استعادة متانة اللهجات لتطابق مستويات اللغة الإنجليزية الأمريكية القياسية دون المساس بالأداء القياسي.
يُعد NoisyGRPO إطار عمل للتعلم التعزيزي متعدد الوسائط يعمل على تعزيز قدرة التعميم والمتانة في تسلسل التفكير (Chain-of-Thought) لدى النماذج اللغوية الكبيرة من خلال حقن ضوضاء قابلة للتحكم في المدخلات البصرية لأغراض الاستكشاف، وتوظيف الاستدلال البايزي لتقدير مزايا المسار بشكل متين.
تقترح هذه الورقة "التفكير بالفيديو" كنموذج استدلال متعدد الوسائط جديد يستفيد من نماذج توليد الفيديو مثل Sora-2 كوسيط موحد للتغلب على قيود النهج القائم على النصوص والصور، مُثبتةً من خلال VideoThinkBench أن مثل هذه النماذج تحقق أداءً هو الأفضل في فئته في كل من مهام الاستدلال المتمحورة حول الرؤية والمتمحورة حول النص.
تقدم الورقة البحثية FinCriticalED، وهو معيار مرئي يتكون من 859 وثيقة مالية من العالم الحقيقي و9,481 حقيقة تم تعليقها من قبل خبراء، لتقييم وكشف الفجوة الكبيرة بين دقة التعرف الضوئي على الحروف (OCR) اللفظية وبين الحفاظ على الأدلة المالية الحاسمة لاتخاذ القرار في النماذج اللغوية الكبيرة متعددة الوسائط.