Forskare har presenterat Cambrian-BEV, en metod för att placera visuella utsnitt från video i ett gemensamt rutnät sett uppifrån. Med hjälp av djup och kamerans position slår metoden ihop observationer av samma plats, oavsett perspektiv eller tidpunkt. Modellarkitekturen förblir densamma, men bildrutornas token ersätts med BEV-token i ett rutnät på 27×27. I testet VSI-Bench fick metoden 63.48 poäng, 8.5 poäng mer än en baslinje med bildrutetoken – samtidigt som den använde betydligt färre token.
Varför det spelar roll
Det gör det möjligt för utvecklare att bygga snabbare och mer resurssnåla AI-assistenter som använder video och kan resonera mer tillförlitligt om rumsliga förhållanden.
