محققان در یک دستاورد هیجانانگیز، تکنیک جدیدی به نام VST (Video Streaming Thinking) معرفی کردند که به مدلهای ویدئویی (VideoLLMs) اجازه میدهد در لحظه و همزمان با پخش ویدئو، به تحلیل و استدلال منطقی بپردازند.
تا پیش از این، مدلها برای تحلیل ویدئوهای استریمشده با تاخیر یا افت کیفیت روبرو بودند، اما VST با یک معماری هوشمندانه، فرآیند «تفکر» را در طول پخش ویدئو توزیع میکند تا پاسخدهی کاملاً سریع و دقیق باقی بماند. این فناوری تحولی بزرگ در سیستمهای بینایی ماشین و درک لحظهای دنیای اطراف است!
منبع: arXiv Computer Vision