محققان با معرفی چارچوب جدید EFlow، یکی از بزرگترین چالشهای مدلهای هوش مصنوعی در تحلیل ویدیوهای طولانی را حل کردند. این مدل بر پایه Qwen3-VL طراحی شده و با جداسازی «استدلال منطقی» از «زمینهیابی زمانی»، جلوی خطای رایج مدلهای قبلی یعنی «تعهد معنایی زودرس» را میگیرد.
ویژگی کلیدی این مدل، مکانیسم بازتابی (Reflection) است که اگر مدل از شواهد کافی برای پاسخ دادن مطمئن نباشد، دوباره ویدیو را بررسی میکند. با این پیشرفت، دقت مدلها در درک محتوا و استدلال روی ویدیوهای طولانی به شدت افزایش یافته است. آینده تحلیل ویدیو توسط هوش مصنوعی هر روز هوشمندتر از دیروز میشود! 🎬🤖
منبع: arXiv Computer Vision