# Cambrian-BEV يسرّع فهم الفيديو باستخدام رموز المنظور العلوي

> تضغط طريقة جديدة لترميز البيانات 128 إطارًا من الفيديو في 729 رمزًا مكانيًا، فتقلّص زمن التهيئة المسبقة للنموذج اللغوي الكبير 2.9 مرة، واستهلاك الذاكرة 3.6 مرة.

Oossa · 2026-10-19 · https://oossa.com/ar/cambrian-bev-speeds-up-video-reasoning-with-bird-s-eye-view-tokens

قدّم باحثون Cambrian-BEV، وهي طريقة لتحويل الرقع البصرية في الفيديو إلى شبكة موحّدة بمنظور علوي. وتستخدم العمق ووضعية الكاميرا لدمج المشاهدات التي ترصد المكان نفسه، مهما اختلفت زاوية الرؤية أو الزمن. وتحافظ الطريقة على بنية النموذج نفسها، لكنها تستبدل رموز الإطارات برموز منظور علوي ضمن شبكة 27×27. وفي اختبار VSI-Bench، حققت نتيجة 63.48، متقدمةً بـ8.5 نقاط على خط أساس يعتمد على رموز الإطارات، مع استخدام عدد أقل بكثير من الرموز.

## الحقائق

- 128 إطارًا ← 729 رمزًا بمنظور علوي (شبكة 27×27)
- انخفض زمن التهيئة المسبقة 2.9 مرة، والذاكرة القصوى 3.6 مرة

## لماذا يهم

تتيح هذه الطريقة للمطورين إنشاء مساعدين أسرع وأخف وزنًا يعملون بالفيديو، ويستدلّون على العلاقات المكانية بموثوقية أكبر.

## المصادر والمراجع

1. [Thinking from Above: Efficient Spatial Reasoning with Bird's-Eye-View Visual Tokens](https://arxiv.org/abs/2610.22700) – arXiv cs.CV, 2026-10-19

آخر تحديث: 2026-10-19