محققان در مقاله جدیدی از فریمورک نوآورانه «HDR» (Hierarchical Denoising for Visual Reasoning) رونمایی کردهاند که قرار است مشکل دیرینه مدلهای ویدیویی در انجام استدلالهای چندمرحلهای (مانند حل معما یا ناوبری در پیچ و خم) را حل کند.
💡 نکات کلیدی این دستاورد:
🔹 معماری سلسلهمراتبی: استفاده از لایههای درشت به ریز برای برنامهریزی جهانی و سپس جزئیسازی دقیق.
🔹 کاهش چشمگیر تأخیر: استفاده از مکانیزم توجه پراکنده (SHAP) برای پردازش سریعتر.
🔹 عملکرد خیرهکننده: افزایش بهرهوری در حل مسائل منطقی تا ۷۶ درصد نسبت به مدلهای قبلی.
این مدل نشان میدهد که آینده ویدیوهای تولید شده توسط AI، فراتر از ظاهر زیبا، به سمت هوشمندی و منطق واقعی حرکت میکند. نظر شما چیست؟ آیا هوش مصنوعی بالاخره میتواند درک منطقی مانند انسان داشته باشد؟
منبع: arXiv Computer Vision