Psi-0.6: единая зрительно‑языковая модель мира с адаптивными «потоками мышления»
Psi-0.6 (arXiv:2610.32177v1) — единая зрительно‑языковая модель мира, которая объединяет изображения, текст и явные представления геометрии/движения в общие токен‑«потоки мышления», которые модель может генерировать и интерпретировать. В работе сообщают о нулевом обучении (zero-shot) с преимуществом над ведущими моделями с открытыми весами в задаче многовидового пространственного рассуждения, поддержке контрфактического моделирования и улучшении точности VQA при использовании RL для оптимизации промежуточных представлений.