چکیده
ما نشان می‌دهیم که مدل‌های چندمودال توانایی‌های استدلال قوی دارند و یک راهنمای مناسب می‌تواند پتانسیل آن‌ها را برای حل وظایف در محیط‌های تعاملی متنوع آزاد کند. ما VISTA، یک راهنمای بصری، را معرفی می‌کنیم که به مدل‌های چندمودال عمومی دید بصری با دوربین بلندمدت می‌دهد. VISTA به مدل اجازه می‌دهد از طریق مشاهده‌های بصری محیط را مستقیماً درک کند و حافظه بصری آن را بدون از دست دادن اطلاعات حفظ نماید؛ به این ترتیب مشاهدات گذشته در شکل اصلی خود نگهداری می‌شوند. مدل می‌تواند این مشاهدات را به‌طور فعال بازیابی کرده و ورودی بصری خود را در فرآیند استدلال سازمانهی کند. در ARC-AGI-3، VISTA امتیاز کارایی عمل انسان نسبت به Claude Opus 5.0 را از ۴۰.۶۸ به ۱۰۰.۰۰۰ کامل ارتقا می‌دهد و مدل تمام ۲۵ بازی عمومی را با ۵۷.۴٪ کمتر از اقدامات که افراد در اولین بار شرکت می‌کنند، حل می‌کند. طراحی ساده VISTA likewise enables it to naturally generalize to diverse visual environments with minimal adaptation. در سه بنچمارک اضافی که طیف متنوعی از بازی‌ها و پازل‌های بصری را پوشش می‌دهند، این روش به‌طور قابل‌توجهی بر روی خطوط پایه‌ای که از همان مدل زیربنایی استفاده می‌کنند اما از راهنمای‌های ساده‌تر بهره می‌برند، عملکرد بهتری نشان می‌دهد. نتایج ما پتانسیل VISTA به‌عنوان یک راهنمای بصری عمومی را برای پیشبرد عاملان چندمودال در محیط‌های بصری پیچیده برجسته می‌سازد.
متن کامل
عنوان: VISTA: یک ابزار بصری برای استدلال در دنیای تعاملی
نویسندگان: Qiushi Han، Keya Hu، Linlu Qiu، Cathy Wu، Kaiming He
خلاصه: ما نشان می‌دهیم که مدل‌های چندوجهی توانایی استدلال قوی دارند و ابزار مناسبی می‌تواند پتانسیل آن‌ها را برای حل وظایف در محیط‌های تعاملی متنوع آشکار سازد. ما VISTA را معرفی می‌کنیم، ابزار بصری که به یک مدل چندوجهی عمومی دید بلندمدت می‌دهد. VISTA به مدل اجازه می‌دهد از طریق مشاهدات بصری محیط را مستقیماً درک کند و حافظه بصری با حفظ اطلاعات گذشته در شکل اصلی خود داشته باشد. مدل می‌تواند این مشاهدات را به طور فعال بازیابی کرده و ورودی بصری خود را هنگام استدلال سازماندهی کند. در ARC-AGI-3، VISTA نسبت به عمل انسان، امتیاز Claude Opus 5.0 را از 40.68 به 100.00 ارتقا می‌دهد، با اینکه مدل تمام ۲۵ بازی عمومی را با ۵۷.۴٪ کمتر از دستورات اولیه انسان حل کرد. طراحی ساده VISTA همچنین به آن اجازه می‌دهد به طور طبیعی تا محیط‌های بصری متنوع با حداقل تنظیمات سازگاری گسترش یابد. در سه بِنچمارک اضافی که طیف وسیعی از بازی‌ها و پازل‌های بصری را پوشش می‌دهند، VISTA به طور چشمگیری بر پایه‌هایی که از همان مدل زیربنایی با ابزارهای ساده‌تر استفاده می‌کنند، برتری دارد. نتایج ما پتانسیل VISTA به عنوان یک ابزار بصری عمومی برای پیشرفت عاملان چندوجهی در محیط‌های بصری پیچیده را برجسته می‌کند.
توضیحات: موضوعات: هوش مصنوعی (cs.AI)، بینایی ماشین و تشخیص الگو (cs.CV)
استناد: arXiv:2610.02200 [cs.AI] (یا arXiv:2610.02200v1 [cs.AI] برای این نسخه)
لینک DOI: https://doi.org/10.48550/arXiv.2610.02200
تاریخ ارسال: Thu, 1 Oct 2026 17:59:45 UTC (4,452 کیلوبایت)
از: Qiushi Han [بررسی ایمیل] [v1] Thu, 1 Oct 2026 17:59:45 UTC (4,452 KB)
پیشنهاددهنده E (CORE چیست؟) نویسنده مکان انتشار نهاد موضوع درباره arXivLabs arXivLabs: پروژه‌های آزمایشی با مشارکت‌کنندگان جامعه arXivLabs چارچویی است که به مشارکت‌کنندگان امکان می‌دهد ویژگی‌های جدید arXiv را مستقیماً در وب‌سایت ما توسعه و به اشتراک بگذارند. هم افراد و هم سازمان‌هایی که با arXivLabs همکاری می‌کنند، ارزش‌های ما از جمله بازگشایی، جامعه، برتری و حریم خصوصی داده‌های کاربر را پذیرفته و در آغوش گرفته‌اند. arXiv به این ارزش‌ها متعهد است و تنها با شرکایی که به آن‌ها پایبند هستند، همکاری می‌کند. ایده‌ای برای پروژه‌ای دارید که ارزشی برای جامعه arXiv ایجاد کند؟ بیشتر درباره arXivLabs بدانید. کدام نویسندگان این مقاله تأییدکننده هستند؟ | غیرفعال کردن MathJax (MathJax چیست؟)