WorldCast: Exploring Intelligent Visual Generation in World State Security Provisions

arXiv: 261 020.20731v 1 Annuales Type: cross Briet: Humans интерпретирует мультимодальные наблюдения мира и предсказывает, как он будет развиваться. Последние мультимодальные системы регенерации продемонстрировали аналогичные возможности: они могут интегрировать смешанный контекст и синтезировать визуальные результаты, отражающие изменения в мире. Чтобы охарактеризовать эту формирующуюся траекторию, мы организуем модельный потенциал в четыре уровня иерархии и обнаруживаем, что задачи более высокого уровня остаются относительно недостаточно изученными несмотря на прогресс модели. Для того чтобы преодолеть этот пробел, мы изучаем эффективность моделей многоэтапного прогнозирования мирового состояния - задачу высокого уровня, которая требует моделей для прогнозирования последующих будущих государств мира на основе мультимодальных наблюдений и различных ссылок. Для решения этой задачи требуются модели, обладающие запутанными возможностями понимания и генерации, а также обширные мировые знания для перевода последовательности действий человека, физических трансформаций и абстрактных визуальных рассуждений в последовательные зрительные результаты. Мы представим Вор