تا به حال فکر کردهاید هوش مصنوعی چگونه میفهمد یک نفر در حال تعامل با چه شیئی است؟ این کار در محیطهای باز (Open-world) همیشه چالشبرانگیز بوده است.
محققان در یک دستاورد تازه، چارچوب جدیدی به نام «AgentHOI» را معرفی کردهاند که بدون نیاز به آموزشهای سنگین (Training-free)، از قدرت استدلال مدلهای زبانی چندوجهی (MLLM) استفاده میکند تا تعاملات انسان و اشیاء را به دقیقترین شکل ممکن در دنیای واقعی تشخیص دهد. 🤖✨
این مدل بهجای روشهای سنتی، از معماری ایجنتیک برای تحلیل صحنهها و استدلالِ معنایی استفاده میکند تا ابهامها در تصاویر پیچیده را بهطور هوشمندانهای برطرف کند. گام بلندی دیگر به سمت درک بصری عمیقتر توسط هوش مصنوعی! 🚀
منبع: arXiv AI