دنیای مدلهای زبانی-تصویری (MLLM) هر روز پیشرفتهتر میشود. محققان بهتازگی فریمورک جدیدی به نام RIME معرفی کردهاند که مشکل رایج «زنجیره تفکر» (Chain-of-Thought) یعنی طولانی بودن بیمورد و ابهام در پاسخها را حل میکند.
این مدل با استفاده از تکنیک «بازنویسی برای بازیابی» (Rewrite-driven) و یک روش یادگیری تقویتی خاص، توانسته جایگزینی بسیار بهینهتر و دقیقتر برای جاسازیهای (Embedding) قبلی ارائه دهد که هم سرعت را افزایش میدهد و هم دقت تحلیل را در سناریوهای پیچیده چندوجهی به شکل چشمگیری بهبود میبخشد.
اگر در حوزه یادگیری ماشین و پردازش مدلهای چندوجهی فعال هستید، بررسی این متد جدید و کدهای آن در گیتهاب خالی از لطف نیست.
های_چندوجهی
منبع: arXiv Computer Vision