13091 ورقة بحثية
تقدم هذه الورقة تحليلاً منظماً من الناحية المعلوماتية لـ "الإنتروبيا البؤرية" (focal-entropy)، حيث تؤسس لخصائصها الرياضية وتوضح كيف يعمل "الفقد البؤري" (focal-loss) بشكل جوهري على تغيير التوزيعات الاحتمالية عبر تضخيم الاحتمالات متوسطة المدى مع كبح كل من النتائج عالية الاحتمالية والنتائج منخفضة الاحتمال للغاية في التعلم غير المتوازن للفئات.
يُعد SemGS إطار عمل بنظام التغذية الأمامية يعيد بناء مجالات دلالية ثلاثية الأبعاد قابلة للتعميم من مشاهد نادرة باستخدام بنية ثنائية الفروع ذات طبقات CNN مشتركة وانتباه مدرك للكاميرا، مما يتيح فهماً دلالياً للمشاهد وتوليد مناظر جديدة من زوايا مختلفة بسرعة فائقة وبأداء رائد دون الحاجة إلى تحسين خاص بكل مشهد.
تقترح هذه الورقة VC-STaR، وهو إطار عمل جديد للتحسين الذاتي يستفيد من الأزواج التباينية البصرية للتخفيف من الهلوسة في المبررات التي تولدها النماذج، مما أدى إلى إنتاج مجموعة بيانات VisCoR-55K التي تعزز بشكل كبير قدرات الاستنتاج البصري للنماذج اللغوية الرؤية.
تُظهر هذه الدراسة أن الجمع بين تقنيات تعزيز "التحويل الأفيني العشوائي" (Random Affine) و"تغيير تباين الألوان" (Color Jitter) يعزز بشكل كبير من قدرة نموذج "EfficientViT" خفيف الوزن على التعميم والدقة في التعرف على الحروف البنغالية المكتوبة بخط اليد في مجموعتي بيانات "Ekush" و"AIBangla"، محققاً أعلى مستويات دقة بلغت 97.48% و97.57% على التوالي.
تقدم هذه الورقة البحثية M3IRT، وهو إطار عمل لنظرية الاستجابة للمفردة متعدد الوسائط يقوم بتفكيك قدرة النموذج وصعوبة المفردة إلى مكونات تعتمد على الصور فقط، والنصوص فقط، والمكونات عابرة الوسائط، وذلك لتصفية الأسئلة التي تعتمد على المسارات المختصرة، مما يتيح تقييماً أكثر موثوقية وفعالية من حيث التكلفة للاستدلال الحقيقي عابر الوسائط في النماذج اللغوية الكبيرة متعددة الوسائط.
تقدم الورقة البحثية UNICORN، وهو معيار مرجعي عام موحد يتميز بإطار تقييم معياري مكون من خطوتين ومقياس تجميعي مبتكر لتقييم تعميم النماذج الطبية التأسيسية عبر الوسائط المتعددة والمهام المختلفة بشكل منهجي عبر بيانات تصوير ولغة طبيعية متنوعة من مؤسسات متعددة.
تقدم هذه الورقة NOVA، وهو إطار عمل لتحرير الفيديو غير مقيد بالأزواج يجمع بين توجيهات الإطارات الرئيسية المتفرقة التي يوفرها المستخدم وبين توليد الحركة والنسيج الكثيف، والذي تم تدريبه عبر استراتيجية محاكاة التدهور لتحقيق دقة تحرير عالية واتساق زمني دون الحاجة إلى مجموعات بيانات ضخمة مقترنة.
تتناول هذه الورقة أوجه القصور في نماذج اللغة المرئية في التعرف على التخطيطات المعقدة للطبعات النقدية لليونانية القديمة من خلال تقديم مجموعة بيانات اصطناعية واسعة النطاق ومعيار مرجعي من العالم الحقيقي، مما يثبت أنه بينما يتخلف أداء التعلم الصفري عن الأدوات التقليدية، يمكن للنماذج التي تم ضبطها بدقة مثل Qwen3VL-8B أن تحقق دقة تضاهي أحدث ما توصل إليه العلم.
من خلال سبر أغوار نماذج اللغات الكبيرة متعددة الوسائط (LVLMs) باستخدام مجموعة بيانات رسوم بيانية موجهة اصطناعية، تكشف هذه الدراسة أنه بينما يتم ترميز معلومات العقد والبنية خطياً في مرحلة مبكرة في المشفر البصري، فإن تمثيلات الحواف لا تظهر إلا لاحقاً في الرموز النصية للنموذج اللغوي، مما يفسر معاناة هذه النماذج المستمرة مع الفهم العلاقاتي.
تقترح الورقة البحثية SemanticDialect، وهو إطار عمل للكمّنة مختلطة التنسيق ومعتمدة على الدلالة لنماذج محولات الانتشار للفيديو (Video Diffusion Transformers)، يستخدم اختيار التنسيق على مستوى الكتل، وتفكيك التنشيط مع التصحيح المتبقي، وتجميع الرموز الدلالية لتحقيق توليد فيديو عالي الجودة مع تقليل تكاليف الذاكرة والحوسبة بشكل كبير.