शोधकर्ताओं ने Cambrian-BEV पेश किया है। यह वीडियो के दृश्य पैच को एक साझा ‘बर्ड्स-आई-व्यू’ ग्रिड में बदलता है। यह गहराई और कैमरे की स्थिति का इस्तेमाल करके एक ही जगह के अलग-अलग समय और कोणों से मिले दृश्यों को जोड़ता है। इस विधि में मॉडल का आर्किटेक्चर वही रहता है, लेकिन फ़्रेम टोकन की जगह 27×27 BEV टोकन इस्तेमाल होते हैं। VSI-Bench परीक्षण में इसे 63.48 अंक मिले—फ़्रेम-टोकन वाले आधार मॉडल से 8.5 अंक ज़्यादा, जबकि इसमें बहुत कम टोकन लगे।
यह क्यों मायने रखता है
इससे डेवलपर ऐसे वीडियो-आधारित AI असिस्टेंट बना सकते हैं जो तेज़ हों, कम संसाधन लें और जगह से जुड़े तर्क अधिक भरोसेमंद ढंग से कर सकें।
