هوش مصنوعی
روش RE-SciVQA پاسخ‌گویی به پرسش‌های علمی دربارهٔ شکل‌ها را با مدل‌های کوچک بهبود می‌دهد
پیش‌چاپی در arXiv روشی مبتنی بر بازیابی متن مرتبط و ریزتنظیم کم‌هزینهٔ مدل‌های زبانی کوچک پیشنهاد می‌کند؛ چکیدهٔ در دسترس جزئیات ارزیابی نتایج را بیان نمی‌کند.
![Fig. 1: Comparative analysis of model performance on the RE-SciVQAbenchmark. The chart plots the performance of various models based on the ROUGE-1 F1 score [ 17 ] (%). RE-SciVQAachieves a peak performance of 73.9%, sign](https://arxiv.org/html/2611.00242/2611.00242v1/Figures/intro_fig.png)
پیش‌چاپ RE-SciVQA به مسئلهٔ پاسخ‌گویی بصری به پرسش‌های علمی می‌پردازد؛ حوزه‌ای که در آن فهم مقاله‌ها اغلب به تفسیر شکل‌هایی وابسته است که اطلاعات مهمی فراتر از متن اصلی دارند. نویسندگان می‌گویند روش‌های موجود معمولاً به فرایندهای آموزشی پرهزینه و منابع محاسباتی زیاد متکی‌اند.
RE-SciVQA به‌جای طراحی معماری پیچیده، کیفیت متن بازیابی‌شده برای پاسخ‌گویی را هدف می‌گیرد و مدل‌های زبانی کوچک را با روش کم‌هزینهٔ LoRA ریزتنظیم می‌کند. در گام گسترش پرس‌وجو، عنوان‌های بخش‌های مرتبط به پرسش اصلی افزوده می‌شوند تا بازیابی اطلاعات بهبود یابد. چکیدهٔ ارائه‌شده دربارهٔ میزان بهبود یا جزئیات ارزیابی عددی اطلاعاتی نمی‌دهد.
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