نسخة أولية وصول مفتوح
WOVEN: تنسيق نموذج العالم البصري إلى برامج LLM متعددة الأنظمة
نموذجات اللغة الكبيرة متعددة الحركات (MLLMs) تكافح مع التفكير الفضائي والجسدي والفيزيائي والوقتي. نفترض أن هذه الفشل تعكس عجزًا مشتركًا في التفكير في الانتقال البصري، ونختبر ما إذا كانت هذه القدرة يمكن أن تكون بدائية تدريب مشتركة، واحدة التي يمكن أن تتعلمها النماذج المختلفة من مصادر إشراف مختلفة وإعادة استخدامها عبر مه …