ፅሁፎች

ማይክሮሶፍት የምስል ይዘትን የሚያውቅ እና የእይታ ችግሮችን የሚያስተካክል የኤአይአይ ሞዴልን ይፋ አድርጓል

አዲሱ የ AI Kosmos-1 ሞዴል መልቲሞዳል ነው። Large Language Model (MLLM)፣ ለቋንቋ ምልክቶች ብቻ ሳይሆን ለእይታ ምልክቶችም ምላሽ መስጠት የሚችል፣ እና ስለዚህ ለጥያቄ እና መልስ ክፍለ-ጊዜዎች የተሻለ ምላሽ መስጠት ይችላል።

መልቲሞዳል አርቴፊሻል ኢንተለጀንስ (MLLM) የሰው ሰራሽ አጠቃላይ የማሰብ ችሎታን ለማዳበር ቁልፍ ሊሆን ይችላል፣ ይህ ቴክኖሎጂ ወደፊት ሰዎችን በማንኛውም የአእምሮ ስራ ወይም ስራ ሊተካ ይችላል።

ኮስሞስ-1 ምንድን ነው?

ኮስሞስ-1 በማይክሮሶፍት ተመራማሪዎች የተገነባ የመልቲሞዳል ሞዴል ነው። ባለፈው ሰኞ፣ የሚከተለውን ማድረግ የሚችል ሞዴል ሆኖ ቀርቧል።

የምስሎቹን ይዘት ያንብቡ ፣
የእይታ እንቆቅልሾችን መፍታት ፣
በምስሎች ውስጥ ጽሑፍን መለየት ፣
በእይታ IQ ሙከራዎች ላይ ጥሩ ውጤት ያስመዘገቡ
በተፈጥሮ ቋንቋ የተሰጡ መመሪያዎችን ይረዱ.

የሰው ሰራሽነት መልቲሞዳል አጠቃላይ የሰው-ደረጃ ተግባራትን ማከናወን የሚችል ሰው ሰራሽ አጠቃላይ የማሰብ ችሎታ (AGI) ለመፍጠር ወሳኝ እርምጃ ሆኖ ይታያል።

ቋንቋ የሚያስፈልግህ ብቻ አይደለም፡ ግንዛቤን ከቋንቋ ሞዴሎች ጋር ማመጣጠን

“የማሰብ ችሎታ መሠረታዊ አካል በመሆን፣ መልቲሞዳል ግንዛቤ ሰው ሰራሽ አጠቃላይ የማሰብ ችሎታን ለማግኘት በእውቀት ማግኛ እና በገሃዱ ዓለም መካተት የግድ አስፈላጊ ነው” ሲሉ ተመራማሪዎቹ በአካዳሚክ ጽሑፋቸው ላይ አስፍረዋል። ቋንቋ የሚያስፈልግህ ብቻ አይደለም፡ ግንዛቤን ከቋንቋ ሞዴል ጋር ማመጣጠን.

የኮስሞስ-1 ሞዴል ምስሎችን መተንተን እና ስለእነሱ ጥያቄዎች መልስ መስጠት ፣ ከምስል ጽሑፍ ማንበብ ፣ የምስሎች መግለጫ ጽሑፎችን መፃፍ እና በእይታ IQ ፈተና ላይ ከ 22 እስከ 26 በመቶ መካከል ማስቆጠር ይችላል ፣ ለምሳሌ በ Kosmos-1 ውስጥ ባሉ ምስላዊ ምሳሌዎች ጥናት.