محققان در مقاله جدیدی، فریمورک نوآورانهای برای سیستمهای mRAG (تولید مبتنی بر بازیابی چندوجهی) معرفی کردهاند. یکی از بزرگترین مشکلات مدلهای فعلی، اشتباه گرفتن تصاویر مشابه در پایگاههای داده بود که منجر به پاسخهای غلط میشد.
مدل جدید MMAgent-R$^2$ با استفاده از دو قابلیت کلیدی، این مشکل را حل کرده است:
1️⃣ بازنمایی و رتبهبندی مجدد تصاویر (Visual Reranking) برای تشخیص دقیق جزئیات.
2️⃣ رد کردن فعال (Active Rejection)؛ یعنی اگر مدل به نتیجهای اطمینان نداشته باشد، آن را کنار گذاشته و دوباره برای یافتن پاسخ درست جستجو میکند!
این یعنی هوش مصنوعی حالا میتواند با شک و تردید هوشمندانهتر رفتار کند و کمتر دچار «توهم» در پاسخدهی شود. گامی مهم به سمت دقت بالاتر در دستیارهای بصری.
منبع: arXiv Computer Vision