Уменьшение без увеличения v2: От просмотра деталей до увязки доказательств для общего мультимодального восприятия

arXiv: 261 030 7037v1 Тип уведомления: новое резюме: мультимодальное восприятие является основой мультимодального интеллекта. В частности, территориальное восприятие и понимание многоконтекстных мультимодальных явлений являются двумя ключевыми задачами, лежащими в основе воплощения ИИ и смешанных агентов. Вместе с тем обобщение целевых высококачественных данных о профессиональной подготовке для выполнения этих задач по-прежнему сопряжено со значительными трудностями и расходами. Наша главная точка зрения заключается в том, что эти задачи имеют общий основополагающий потенциал, который мы называем соединяющими доказательствами: выявление соответствующих визуальных фактов, их связывание с правильными образованиями, восстановление отношений между ними и представление ответа на них. Важно отметить, что для этого потенциала гораздо легче синтезировать данные о целевой подготовке кадров по сравнению с самими этими задачами. В целях укрепления этого потенциала мы предлагаем создать простую в применении систему обобщения данных, которая использует зоопаркные взгляды на соответствующие регионы в рамках единого изображения для создания вопросов, требующих сопоставления, агрегирования или сцепления визуальных доказательств. Для обеспечения качества