محققان در تازهترین پژوهش خود، بنچمارک جدیدی به نام «MeetingToM» را برای سنجش توانایی مدلهای چندوجهی (MLLM) در درک رفتارهای اجتماعی پیچیده در جلسات معرفی کردهاند.
این مدلها اغلب در درک مفاهیم ظریفی مثل «توافق ظاهری» (زمانی که فرد در ظاهر موافق است اما در باطن مخالفت میکند) ضعف دارند. MeetingToM به هوش مصنوعی کمک میکند تا با تحلیل همزمان گفتار و رفتارهای غیرکلامی، درک عمیقتری از پویاییهای گروهی و نیات پنهان افراد در جلسات پیدا کند. گامی مهم برای دستیابی به دستیاران هوشمند که واقعاً محیطهای کاری انسانی را درک میکنند! 🤝✨
منبع: arXiv Computer Vision