12799 ورقة بحثية
تقدم الورقة البحثية SeeTok، وهو نهج متمحور حول الرؤية يقوم بتصوير النصوص كصور لتقوم النماذج اللغوية الكبيرة متعددة الوسائط بتفسيرها، مما يستبدل بفعالية عملية تقسيم الكلمات إلى وحدات فرعية (subword tokenization) لتحقيق كفاءة حوسبية كبيرة، وتحسين المتانة تجاه الضجيج الطباعي، وتحقيق تعميم أفضل عبر اللغات من خلال محاكاة القراءة البصرية البشرية.
يُعد Ming-Flash-Omni نموذج "خليط من الخبراء" (Mixture-of-Experts) متفرقاً وعالي الكفاءة، يضم 100 مليار معلمة، ويوحد قدرات الإدراك والتوليد متعددة الوسائط المتقدمة عبر الرؤية والكلام واللغة، محققاً أداءً يضاهي نموذج Gemini 2.5 Pro، وممثلاً خطوة كبيرة نحو الذكاء الاصطنا_الاصطناعي العام.
تقدم هذه الورقة AoT-PsyPhyBENCH، وهو معيار تم التحقق من صحته نفسيًا وجسديًا يوضح أن نماذج الرؤية واللغة الحالية تعاني في تحديد سهم الزمن في الفيديوهات الطبيعية، مما يكشف عن فجوة جوهرية في قدراتها على الاستدلال الزمني والسببي مقارنة بالبشر.
تقدم هذه الورقة تقنية تقسيم الآفات الموجهة بالتعليمات (ILS) لصور الأشعة السينية للصدر، مقدمةً مجموعة بيانات MIMIC-ILS الضخمة والمولدة تلقائياً ونموذج ROSALIA لتمكين التقسيم الدقيق وسهل الاستخدام وشرح الآفات المتنوعة عبر تعليمات نصية بسيطة.
يُعد DiP إطار عمل انتشار في فضاء البكسل يتسم بالكفاءة، حيث يحل المقايضة بين جودة التوليد والتكلفة الحسابية من خلال فصل تركيب الهيكل العالمي عن تركيب التفاصيل المحلية إلى عملية مكونة من مرحلتين، محققاً أداءً في ImageNet 256×256 مماثلاً لنماذج الانتشار الكامن مع سرعة استنتاج تزيد بمقدار 10 أضعاف مع حد أدنى من العبء الإضافي للمعلمات.
تقدم هذه الورقة MultiBanana، وهو معيار مفتوح شامل مصمم لتقييم وتطوير نماذج توليد الصور من النصوص متعددة المراجع من خلال تقييم قدراتها عبر تحديات متنوعة مثل تباين أعداد المراجع، وعدم تطابق النطاق والمجال، والمفاهيم النادرة، والمدخلات متعددة اللغات.
تقترح الورقة البحثية COM4D، وهي طريقة مبتكرة تعيد بناء مشاهد رباعية الأبعاد متسقة تحتوي على أجسام متعددة متفاعلة من فيديوهات أحادية العدسة، وذلك عبر فصل التركيب المكاني والديناميكيات الزمنية المتعلمة بشكل مستقل ثم دمجهما لاحقاً، مما يلغي الحاجة إلى بيانات تدريب تركيبية رباعية الأبعاد.
تقدم هذه الورقة البحثية UCPE (ترميز موضع الكاميرا الموحد)، وهو تمثيل متسق هندسيًا يوحد أوضاع الكاميرا، والخصائص الداخلية، وتشويهات العدسة عبر ترميزات التوجيه النسبية والمطلقة، مما يتيح قدرة تحكم في الكاميرا هي الأحدث من نوعها في توليد الفيديو مع حد أدنى من العبء الإضافي للمعلمات.
يقدم MoLingo نموذجاً متطوراً لتوليد الحركة من النص يحقق حركة بشرية واقعية ومتوافقة دلالياً عبر استخدام مشفر مدرب نصياً على مستوى الإطار لإنشاء مساحات كامنة صديقة للانتشار، وتوليد ذاتي الانحدار، وتكييف عبر الانتباه المتقاطع متعدد الرموز.
تقدم هذه الورقة TimeLens، وهو إطار عمل منهجي لتوطين الزمن في الفيديو، والذي يؤسس لمعيار عالي الجودة ومجموعة بيانات تدريبية (TimeLens-Bench وTimeLens-100K) مع اقتراح تصميمات خوارزمية فعالة مثل الترميز النصي المتداخل والتعلم المعزز من خلال التغذية الراجعة لتقليل استهلاك الموارد (RLVR) الخالي من التفكير لتحقيق أداء رائد بين النماذج اللغوية الكبيرة متعددة الوسائط مفتوحة المصدر.