محققان در تازهترین دستاورد خود، یک رویکرد نوآورانه برای مدلهای بینایی-زبانی (VLM) ارائه کردهاند. مدل جدید T2T-VICL به هوش مصنوعی اجازه میدهد تا بدون نیاز به آموزش مجدد، الگوهای بصری را حتی در کارهایی که قبلاً با آنها مواجه نشده (Cross-Task)، درک و اجرا کند.
این مدل با تبدیل تفاوتهای بصری به راهنماهای متنیِ ضمنی، پلی بین کارهای مختلف میسازد و دقت مدلها را در ویرایش و پردازش تصاویر به شکل چشمگیری افزایش میدهد. این گام بزرگی برای هوشمندتر شدن ایجنتهای بینایی در محیطهای واقعی است! 💡
منبع: arXiv AI