Investigadores presentaron Cambrian-BEV, un método para organizar parches visuales de video en una cuadrícula compartida con vista aérea. Utiliza la profundidad y la pose de la cámara para combinar observaciones de un mismo lugar, sin importar el punto de vista ni el momento. El método conserva la arquitectura del modelo, pero reemplaza los tokens de fotogramas por tokens BEV de 27×27. En la prueba VSI-Bench obtuvo 63,48 puntos, 8,5 más que una línea de base con tokens de fotogramas, y utilizó muchos menos tokens.
Por qué importa
Permite a los desarrolladores crear asistentes de IA basados en video más rápidos y ligeros, capaces de razonar sobre el espacio con mayor fiabilidad.
