13133 ورقة بحثية
يقدم AlignTok استراتيجية محاذاة ثلاثية المراحل تعمل على تكييف المشفرات البصرية التأسيسية سابقة التدريب لتصبح أجهزة ترميز غنية دلالياً، مما يسرع بشكل كبير من تقارب نماذج الانتشار ويحسن جودة توليد الصور مقارنة بمشفرات VAE التقليدية.
تقدم الورقة البحثية Flower، وهو حل تكراري للمسائل العكسية الخطية يستفيد من نماذج التدفق مسبقة التدريب لتقريب أخذ عينات التوزيع البعدي البايزي من خلال عملية ثلاثية الخطوات تتمثل في تقدير الوجهة، وإسقاط الجدوى، وتقدم الوقت، محققاً جودة إعادة بناء هي الأفضل في فئتها مع ثبات المعلمات الفائقة عبر مهام متنوعة.
تقدم هذه الورقة البحثية VIRTUE، وهو نموذج تضمين بصري-تفاعلي عالمي للنصوص والصور يدمج قدرات التجزئة للسماح بمطالبات المستخدم المحددة لمنطقة معينة، محققاً أداءً هو الأفضل في فئته على كل من المعايير القياسية متعددة الوسائط ومهمة استرجاع بصري-تفاعلي جديدة واسعة النطاق.
تقدم هذه الورقة البحثية RewardMap، وهو إطار عمل للتعلم التعزيزي متعدد المراحل يستفيد من مجموعة بيانات ذات مكافأة كثيفة (ReasonMap-Plus) وإشارات مكافأة مدركة للصعوبة للتغلب على تحديات المكافأة المتفرقة، مما يعزز بشكل كبير قدرات الاستدلال البصري دقيق التفاصيل والفهم المكاني للنماذج اللغوية الكبيرة متعددة الوسائط.
يُعد LinVideo إطار عمل للتدريب اللاحق لا يعتمد على البيانات، يحقق تعقيد انتباه بمقدار O(n) في توليد الفيديو من خلال الاختيار التلقائي للطبقات لتحويل الانتباه الخطي عبر نهج التصنيف الثنائي وتوظيف هدف مطابقة التوزيع في أي وقت، مما يؤدي إلى تسريع كبير مع الحفاظ على جودة التوليد.
يقترح MergeMix نموذج تعزيز موحداً يجسّر الفجوة بين الضبط الدقيق الخاضع للإشراف والتعلم المعزز من خلال الاستفيد من تقنية Mixup القائمة على الرموز (token-based Mixup) لتوليد صور متوافقة سياقياً وتحسين هوامش التفضيل، مما يعزز قابلية التوسع والكفاءة والتعميم للنماذج اللغوية الكبيرة متعددة الوسائط.
تقدم هذه الورقة BEAT، وهو إطار عمل مبتكر يقوم بحقن أبواب خلفية بصرية في الوكلاء المجسدين القائمين على نماذج اللغة والرؤية (VLM) من خلال الاستفراد من محفزات الأشياء ومخطط تدريب ثنائي المرحلة يتميز بتعلم المحفز التبايني لتحقيق معدلات نجاح هجوم عالية مع الحفاظ على أداء المهام الحميدة.
تقترح هذه الورقة البحثية "Rank-enhancing Token Fuser"، وهو إطار عمل مؤصل نظرياً يستخدم الرتبة الفعالة لمواجهة كل من انهيار الميزات وانهيار الأنماط في دمج الوسائط المتعددة في آن واحد، مما يحسن بشكل كبير من أداء توقع الأفعال البشرية من خلال المزج الانتقائي للميزات المتكاملة عبر الوسائط.
تُعد StreamDiffusionV2 خط تدفق (pipeline) قابل للتوسع ولا يتطلب تدريباً، يتيح بثاً فيديو تفاعلياً في الوقت الفعلي باستخدام نماذج الانتشار بالفيديو عبر دمج الجدولة الواعية بـ SLO، والتحكم الواعي بالحركة، والتنسيق المتوازي لتحقيق زمن انتقال فائق الانخفاض وإنتاجية عالية على مجموعات وحدات معالجة الرسومات غير المتجانسة.
يُعد PRISM إطار عمل لتقطير البيانات يعمل على تعزيز التنوع داخل الفئة والقدرة على التعميم من خلال فصل أهداف مطابقة اللوجيت (logit-matching) والانتظام (regularization) للاستفادة من الأولويات المعمارية من نماذج معلمة متنوعة، متفوقاً باستمرار على الأساليب الحالية ذات المعلم الواحد أو المعلمات المتعددة في مجموعة بيانات ImageNet-1K.