مدلهای زبانی چندوجهی (MLLM) با وجود پیشرفتهای چشمگیر، هنوز درگیر مشکلاتی مثل «توهمات بصری» و خطاهای منطقی هستند. محققان برای حل این مشکل، تکنیک جدیدی به نام Groc-PO معرفی کردهاند که به جای تمرکز صرف بر پاسخ نهایی، روی مراحل پایه (Grounding) تمرکز میکند.
این روش با استفاده از مجموعهداده جدید GCPD، یادگیری مدل را در سه مرحله حساسِ تشخیص اشیاء، درک زمینه و استدلال نهایی بهینه میکند تا زنجیره خطاهای مدل در همان ابتدای مسیر قطع شود. گامی بزرگ برای رسیدن به هوش مصنوعی دقیقتر و قابلاعتمادتر! 🚀
منبع: arXiv AI