محققان به تازگی فریمورک قدرتمند ATLAS را معرفی کردهاند که دنیای مدلهای زبانی-تصویری (MLLMs) را وارد فاز جدیدی کرده است. برخلاف مدلهای قبلی که در درک جزئیات مکانی و دستورات پیچیده ضعیف بودند، این سیستم با الگو گرفتن از ساختار فکری انسان در سه مرحله «فکر کردن، برنامهریزی و ترسیم» عمل میکند.
ویژگیهای کلیدی ATLAS:
🔹 استفاده از «طرحبندی» (Layout) به عنوان زبان مشترک برای چیدمان اشیاء.
🔹 بهبود چشمگیر در دقت تولید تصاویر بر اساس دستورات فضایی پیچیده.
🔹 عملکرد فوقالعاده در ویرایش تصاویر و زمینهیابی چندوجهی.
🔹 رسیدن به دقت خیرهکننده (۶۵٪ بهبود) نسبت به مدلهای مشابه پیشین.
این نوآوری نه تنها خروجیهای بصری دقیقتری ارائه میدهد، بلکه راه را برای تعاملات هوشمندتر و کنترلشدهتر با هوش مصنوعی باز کرده است.
منبع: arXiv AI