Forschende haben Cambrian-BEV vorgestellt. Das Verfahren überträgt visuelle Bildausschnitte aus Videos in ein gemeinsames Raster aus der Vogelperspektive. Mithilfe von Tiefeninformationen und Kamerapositionen führt es Beobachtungen desselben Ortes zusammen – unabhängig von Blickwinkel oder Zeitpunkt. Die Modellarchitektur bleibt unverändert, aber statt Bild-Token kommen BEV-Tokens in einem Raster von 27 × 27 zum Einsatz. Im Test VSI-Bench erreichte das Verfahren 63,48 Punkte und lag damit 8,5 Punkte über einer Vergleichsmethode mit Bild-Tokens – bei deutlich weniger Tokens.
Warum es wichtig ist
So können Entwickler schnellere und ressourcenschonendere Video-KI-Assistenten bauen, die räumliche Zusammenhänge zuverlässiger erfassen.
