هوش مصنوعی
VisualSphinx مجموعه‌داده‌ای مصنوعی برای آموزش استدلال دیداریِ مدل‌های زبانی‌ـ‌بینایی است
این پیش‌چاپ از خط لوله‌ای برای تبدیل قواعد معما به تصویر و پاسخ‌های قابل‌بررسی خبر می‌دهد؛ جزئیات نتایج در متن منبع ارائه‌شده ناقص است.
پژوهشگران VisualSphinx را معرفی کرده‌اند؛ مجموعه‌داده‌ای بزرگ‌مقیاس و مصنوعی برای آموزش استدلال منطقی دیداری در مدل‌های زبانی‌ـ‌بینایی (VLM). به‌گفتهٔ چکیده، این مدل‌ها برای فهم نمودارها و حل مسائل فضایی به استدلال چندوجهی و تصمیم‌گیری منطقی نیاز دارند، اما داده‌های آموزشی ساخت‌یافته و گسترده برای این نوع استدلال محدود است.
VisualSphinx از خط لوله‌ای استفاده می‌کند که قواعد معماها را از پرسش‌های اولیه استخراج و گسترش می‌دهد و سپس برنامه‌های اجرایی برای ساخت تصاویر معما تولید می‌کند؛ هدف، پیوند دادن تصویرهای ساخته‌شده با پاسخ‌های مستند است. نویسندگان همچنین از استفاده از روش استاندارد GRPO با پاداش دودوییِ درستی پاسخ برای ارزیابی یاد می‌کنند. چکیدهٔ موجود در دادهٔ منبع در میانهٔ جمله قطع شده است؛ بنابراین جزئیات نتایج این ارزیابی در دسترس نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده