آیا وظایف مبتنی بر ویدئو چالش بزرگ بعدی برای مدل‌های هوش مصنوعی است؟

جدول پیوندها

مواد تکمیلی

پیشرفت‌های اخیر در مدل‌های چندوجهی بزرگ (LMM) [8, 18, 50] و مدل های زبان بزرگ (LLM) [7, 26, 36] چشم انداز هوش مصنوعی را به طور قابل توجهی تغییر داده اند، به ویژه در پردازش زبان طبیعی و وظایف چندوجهی. این پیشرفت‌ها توانایی مدل‌های یادگیری ماشین را برای درک و تولید متن‌های انسان‌مانند افزایش داده است، در حالی که امکان ادغام مؤثر انواع داده‌های مختلف مانند تصاویر، صداها و ویدیوها را با اطلاعات متنی فراهم می‌کند. این پیشرفت نشان‌دهنده یک جهش بزرگ در ایجاد سیستم‌های هوش مصنوعی است که می‌توانند به طور دقیق تفسیر کنند و با طیف متنوعی از…