НОВОСТЬ · MODELS · #2541
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.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- 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.
- Это демонстрирует практический способ адаптивно объединять восприятие, язык, геометрию и имитацию в одной модели, что может существенно продвинуть гибкое физическое рассуждение и мультимодальную сочетаемость.
ПОЧЕМУ ЭТО ВАЖНО
Это демонстрирует практический способ адаптивно объединять восприятие, язык, геометрию и имитацию в одной модели, что может существенно продвинуть гибкое физическое рассуждение и мультимодальную сочетаемость.