# Cambrian-BEV استدلال ویدیویی را با توکن‌های دید از بالا سرعت می‌بخشد

> روش تازه توکن‌سازی، 128 فریم ویدیو را به 729 توکن فضایی فشرده می‌کند و زمان پیش‌پردازش LLM را 2.9× و حافظه را 3.6× کاهش می‌دهد.

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

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.

## حقایق

- 128 فریم ← 729 توکن BEV (شبکه 27×27)
- زمان پیش‌پردازش 2.9× و اوج مصرف حافظه 3.6× کاهش می‌یابد

## چرا مهم است

این روش به توسعه‌دهندگان امکان می‌دهد دستیارهای هوش مصنوعی سریع‌تر و کم‌حجم‌تری بسازند که با اتکاپذیری بیشتری درباره فضا استدلال می‌کنند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-19