پژوهشگران Cambrian-BEV را معرفی کرده‌اند؛ روشی برای نگاشت بخش‌های تصویری ویدیو روی یک شبکه مشترک با دید از بالا. این روش با استفاده از عمق و موقعیت دوربین، مشاهدات یک مکان واحد را فارغ از زاویه دید یا زمان ثبت آن‌ها با هم ادغام می‌کند. معماری مدل دست‌نخورده می‌ماند، اما توکن‌های فریم با توکن‌های BEV در شبکه 27×27 جایگزین می‌شوند. این روش در آزمون VSI-Bench امتیاز 63.48 گرفت؛ یعنی 8.5 امتیاز بیشتر از خط پایه مبتنی بر توکن‌های فریم، آن هم با استفاده از توکن‌های بسیار کمتر.
چرا مهم است
این روش به توسعه‌دهندگان امکان می‌دهد دستیارهای هوش مصنوعی سریع‌تر و کم‌حجم‌تری بسازند که با اتکاپذیری بیشتری درباره فضا استدلال می‌کنند.
