Pesquisadores apresentaram o Cambrian-BEV, um método que mapeia recortes visuais de vídeos em uma grade compartilhada com visão aérea. Ele usa profundidade e a posição da câmera para combinar observações do mesmo lugar, independentemente do ponto de vista ou do momento. O método mantém a mesma arquitetura do modelo, mas substitui os tokens de quadros por tokens BEV em uma grade de 27×27. No teste VSI-Bench, obteve 63,48 pontos — 8,5 pontos a mais que uma configuração de referência baseada em tokens de quadros, usando muito menos tokens.
Por que importa
Isso permite que desenvolvedores criem assistentes de IA baseados em vídeo mais rápidos e leves, capazes de raciocinar sobre o espaço com mais confiabilidade.
