محققان در پژوهشی تازه، یک چارچوب جدید برای تحلیل خودکار برنامههای تلویزیونی با استفاده از مدلهای چندوجهی (Multimodal) طراحی کردهاند. این سیستم با بررسی دقیقِ تصویر، صوت، و متن، میتواند موضوع برنامه، محیط بصری و حتی محتوای حساس را شناسایی کند.
نکته جالب اینجاست که در این تحقیق، مدلهای بزرگی مثل Gemini 3.0 Pro و LLaMA 4 Maverick روی حجم عظیمی از دادههای پخش زنده تست شدهاند تا مشخص شود کدام مدلها در ترکیب سیگنالهای صوتی و تصویری عملکرد بهتری دارند. این دستاورد میتواند آیندهی «آرشیوهای هوشمند» و تحلیل محتوای رسانهای را کاملاً متحول کند! 🚀✨
منبع: arXiv AI