محققان در تازهترین دستاورد خود برای حل مشکل «توهمات چندوجهی» (Multimodal Hallucinations) در مدلهای زبانی-تصویری (MLLMs)، راهکار هوشمندانهای به نام SPAR ارائه کردهاند. 🚀
🔹 مشکل چیست؟ مدلهای هوش مصنوعی گاهی به جای تمرکز بر جزئیات مهم تصویر، روی بخشهای بیاهمیت (معروف به Visual Attention Sinks) تمرکز میکنند که باعث میشود مدل به جای واقعیت، به پیشفرضهای متنی خود تکیه کند.
🔹 راهکار SPAR چیست؟ این روش بدون نیاز به آموزش مجدد (Training-free)، نویزهای ساختاری را حذف کرده و تمرکز مدل را به بخشهای واقعاً مهم تصویر بازمیگرداند. این یعنی دقت بالاتر در تحلیل تصاویر بدون نیاز به هزینههای پردازشی سنگین! ✨
این ابزار میتواند گامی بزرگ برای رسیدن به بینایی ماشین دقیقتر و قابلاطمینانتر باشد.
منبع: arXiv Computer Vision