MJev-Spatial: Mô hình System 1 dùng attention nguyên bản để hiểu không gian
MJev-Spatial là một mô hình ra quyết định đa phương thức được thiết kế để giúp hệ thống AI nhanh chóng đưa ra các phán đoán về không gian, chẳng hạn xác định mối quan hệ giữa các vật thể, ước lượng khoảng cách hoặc chọn vị trí đặt một vật. Thay vì sinh câu trả lời dưới dạng văn bản, mô hình xem mỗi đáp án có thể có là một lớp và chấm điểm trực tiếp bằng các phép chiếu query và key có sẵn trong mô hình thị giác-ngôn ngữ, mà không cần thêm tham số. Với các bài toán trắc nghiệm, các lớp chính là những lựa chọn được cung cấp; với câu trả lời dạng số, đó là các khoảng giá trị; còn với dự đoán điểm 2D, đó là các vùng trên ảnh được tinh chỉnh theo quy trình từ thô đến chi tiết. Cách phân loại này nhằm loại bỏ thời gian và độ phức tạp của việc sinh văn bản tự hồi quy rồi phân tích câu trả lời, qua đó phù hợp hơn với các tác tử phải phản hồi ở tốc độ tương tác trong thế giới vật lý.
Các nhà nghiên cứu và nhà phát triển robot có thể theo dõi MJev-Spatial như một hướng xây dựng mô hình thị giác-ngôn ngữ phản hồi nhanh hơn cho các tác vụ không gian. Cách tiếp cận này đặc biệt phù hợp khi hệ thống chỉ cần chọn đáp án, ước lượng giá trị hoặc xác định một điểm trên ảnh thay vì tạo câu trả lời dài.
Đọc bài gốc