في عالم الذكاء الاصطناعي، حيث تعد كفاءة الأداء مفتاح النجاح، يظهر نظام GeoGR كحل مثير يهدف إلى تحسين نماذج اللغة المتعلقة بالمشاهد ثلاثية الأبعاد (3D Vision-Language Models). تمثل التحديات المرتبطة بتفاعلات المشاهد المتعددة التي تحتاج إلى تفسيرات سريعة وموثوقة دافعًا أساسيًا لتطوير هذا النظام.

يعتمد GeoGR على إطار عمل من مرحلتين يقوم بتقليص تمثيلات المشهد وإدارة العمليات البصرية بكفاءة. في المرحلة الأولى، يقوم GeoSemZip بتحويل المشاهد المتعددة إلى رموز ثلاثية الأبعاد (3D Voxel Tokens)، حيث يجمع بين الأهمية الدلالية والتغطية المكانية لتشكيل تمثيل مركّز للمشاهد.

ولضمان عدم فقدان المعلومات الحيوية، تُجمع الخصائص غير المختارة في مرجعيات سياقية، مما يُتيح الحفاظ على التفاصيل المهمة المهدرة. في المرحلة الثانية، يقوم GeoGR بتحديد نافذة فعالة للحسابات البصرية، ملاحظًا أن أهمية الرموز تتغير بمرور الطبقات، مما يعزز من فعالية النظام.

عبر تطبيق بروتوكول تدريب ما بعد ضغط البيانات، تم إنشاء مجموعة بيانات مدمجة تحتوي على 67K عينة، مع الاحتفاظ بـ 30% فقط من مجموعة التدريب الأصلية. يُظهر GeoGR فعالية كبيرة، حيث يحتفظ بأداء يصل إلى 95.2% لنموذج LLaVA-OneVision-7B و96.8% لنموذج Video-3D LLM-7B، مع تسريع عملية التحميل بشكل ملحوظ.

تمثل نتائج هذا النظام تحسنًا ملحوظًا في كفاءة الأداء، مما يفتح آفاقًا جديدة لدمج البيانات ثلاثية الأبعاد والترميز المكاني. الكود متاح على GitHub رابط الكود. هل أنتم مستعدون لاستكشاف حدود جديدة في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!