شاید برایتان پیش آمده باشد که از مدلهای بزرگ زبانی (VLM) بخواهید تعداد اشیاء در یک تصویر را بشمارند و با پاسخهای عجیب روبرو شده باشید! 🧐
محققان در یک پژوهش جدید به بررسی این «نقص فنی» پرداختهاند. برخلاف تصور، مشکل این مدلها ضعف در درک تصویر یا بینایی نیست؛ بلکه آنها در مرحله «نگاشت نمادین» یعنی اتصال مفاهیم بصری به اعداد دچار مشکل هستند. این یعنی هوش مصنوعی هنوز به یک درک واحد و جهانی از «عدد» نرسیده است. این مطالعه نشان میدهد که صرفاً افزایش حجم دادههای آموزشی برای حل این چالش کافی نیست و نیاز به تغییرات بنیادی در ساختار درک مدلها داریم. 💡
منبع: arXiv Computer Vision