محققان با چالش بزرگی در مدلهای بینایی-زبانی (VLM) روبرو شدهاند: آیا واقعاً همیشه به بازنماییهای پیچیده ۲ بعدی نیاز داریم؟ پاسخ این تحقیق خیر است!
با معرفی RADIO1D، تصاویر به جای ساختارهای سنگین، به توالیهای فشرده و منعطف ۱ بعدی تبدیل میشوند. این روش نه تنها باعث درک بهتر صحنهها با تعداد توکن بسیار کم میشود، بلکه سرعت و دقت مدلهای چندوجهی را به شکل چشمگیری افزایش میدهد.
این نوآوری یعنی در آینده شاهد مدلهایی خواهیم بود که با هزینه محاسباتی کمتر، خروجیهای دقیقتر و بهینهتری ارائه میدهند.
منبع: arXiv AI