هوش مصنوعی
بهبود تشخیص چرخش‌های دوبعدی و سه‌بعدی در مدل‌های بینایی‌ـ‌زبانی Gemma-4
پژوهشی پیش‌چاپ گزارش می‌کند که ریزتنظیم مدل‌های MoE از خانوادهٔ Gemma-4، در پیش‌بینی محور و زاویهٔ چرخش از نسخه‌های عمومی‌تر این مدل بهتر عمل کرده است.
پژوهشگران در مقاله‌ای منتشرشده در arXiv، توانایی مدل‌های بینایی‌ـ‌زبانی (VLM) در استدلال فضایی را بررسی کرده‌اند؛ حوزه‌ای که به‌گفتهٔ نویسندگان، مدل‌های کنونی در آن هنوز محدودیت دارند. این ضعف می‌تواند استفاده از هوش مصنوعی را در کارهای عملیِ نیازمند درک فضایی دشوار کند؛ مهارتی کاربردی در حوزه‌هایی مانند STEM، پزشکی، معماری و ساخت‌وساز.
آزمایش‌ها با چند مجموعه‌دادهٔ مربوط به چرخش اشیا انجام شده‌اند و بهبودهایی در تشخیص چرخش‌های دوبعدی و سه‌بعدی نشان داده‌اند. بر اساس چکیدهٔ مقاله، مدل‌های mixture-of-experts (MoE) ساختهٔ Google DeepMind از خانوادهٔ Gemma-4 پس از ریزتنظیم، در پیش‌بینی چرخش بر مبنای محور و زاویه به‌طور چشمگیری بهتر از مدل‌های عمومی Gemma-4 ریزتنظیم‌شده عمل کردند.
این نتایج مربوط به نسخهٔ پیش‌چاپ مقاله است؛ چکیدهٔ در دسترس جزئیات بیشتری دربارهٔ اندازهٔ بهبود یا روش ارزیابی ارائه نمی‌کند.
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