🌟 POINTS-Reader
؛ مدل جمع‌وجور OCR از Tencent

📌 شرکت Tencent پروژه جالبی منتشر کرده به نام POINTS-Reader؛ یک مدل زبانی-دیداری (VLM) برای OCR انگلیسی و چینی با تنها ۴ میلیارد پارامتر که بر پایه Qwen2.5-3B-Instruct ساخته شده و در OmniDocBench حتی از GPT-4o و Gemini بهتر عمل کرده است.

🔹 در معماری از Qwen2.5 کوچک و یک NaViT Vision Transformer با ۶۰۰M پارامتر استفاده شده که انتخابی آگاهانه برای سادگی و سرعت بوده است.

🔹 روش یادگیری مدل بر اساس دو مرحله:

1. آموزش اولیه با داده‌های مصنوعی برای کسب مهارت OCR
2. یادگیری خود-تکاملی: مدل روی اسناد واقعی برچسب‌گذاری می‌کند، بهترین نمونه‌ها دوباره به چرخه آموزش بازمی‌گردند.





⚠️ محدودیت‌ها:

♻️در صفحه‌آرایی‌های پیچیده (مثل روزنامه‌ها) دچار تکرار یا حذف محتوا می‌شود.
♻️دست‌نوشته‌ها (رسید یا یادداشت) همچنان چالش‌برانگیزند.
♻️فعلاً فقط دو زبان انگلیسی و چینی پشتیبانی می‌شوند.

▶️ مدل آماده استفاده روی Transformers و SGLang است. پشتیبانی از vLLM به‌زودی افزوده خواهد شد.

🟡 [Arxiv]
🟡 [GitHub]

@rss_ai_ir

#هوش_مصنوعی #بینایی_ماشین #OCR #Tencent #POINTSReader

🌟 Genie Envisioner
؛ پلتفرمی که ربات‌ها فقط با دیدن ویدیو یاد می‌گیرند عمل کنند

🔹 Genie Envisioner (GE)
محصول تیم AgiBot Genie است؛ یک پلتفرم یکپارچه که یادگیری، شبیه‌سازی و ارزیابی را در قالب یک مدل ویدیویی مولد ترکیب می‌کند.

🟡 GE-Base
هسته‌ی سیستم، یک مدل دیفیوژن ویدیویی است که روی دیتاستی با ۱ میلیون اپیزود دستکاری واقعی (۳۰۰۰ ساعت فیلم چند-دوربینه) آموزش دیده. مدل یاد گرفته بر اساس دستور متنی و فریم‌های قبلی، فریم‌های بعدی را پیش‌بینی کند و از این طریق نمایش درونی از فیزیک دنیا و دینامیک اشیا بسازد.

🟡 GE-Act
اما پیش‌بینی ویدیو کافی نیست؛ باید عمل هم کرد. اینجا ماژول سبک‌وزن GE-Act (با ۱۶۰M پارامتر) وارد می‌شود که نمایش‌های داخلی GE-Base را به دستورات حرکتی برای موتورها تبدیل می‌کند.
📊 سرعت: تولید ۵۴ گام کنترلی فقط در ۲۰۰ میلی‌ثانیه روی NVIDIA RTX 4090 → قابل استفاده در زمان واقعی.

🟡 GE-Sim
سومین جزء، GE-Sim است؛ یک شبیه‌ساز عصبی مبتنی بر GE-Base که امکان اجرای هزاران شبیه‌سازی در ساعت را برای تست پالیسی‌ها بدون نیاز به سخت‌افزار واقعی فراهم می‌کند.

📌 برای ارزیابی این شبیه‌سازها، بِنچمارک جدیدی به نام EWMBench طراحی شده که هم واقع‌گرایی بصری و هم سازگاری فیزیکی و پیروی از دستورالعمل‌ها را می‌سنجد.

نتیجه: GE-Base بالاتر از تمام مدل‌های ویدیویی نسل جدید (مثل Kling، OpenSora و COSMOS) با امتیاز 4.70 در برابر 3.87 نزدیک‌ترین رقیب.

🟡 [صفحه پروژه]
🟡 [مدل]
🟡 [Arxiv]
🖥 [GitHub]

#هوش_مصنوعی #یادگیری_ماشین #روباتیک #AgiBot

@rss_ai_ir

🚀 گوگل از EmbeddingGemma رونمایی کرد؛ یک مدل سبک و اوپن‌سورس برای ایجاد امبدینگ‌های متنی.

📌 ویژگی مهم: این مدل را می‌توان مستقیم روی موبایل یا لپ‌تاپ اجرا کرد، بدون نیاز به اینترنت و با حفظ کامل حریم خصوصی.

🟢 چه چیزی داخلش هست؟

✳️308 میلیون پارامتر، اما از همه مدل‌های زیر 500M در کیفیت بهتر عمل می‌کند (طبق MTEB)

✳️سرعت بسیار بالا: کمتر از 15 میلی‌ثانیه روی EdgeTPU (برای 256 توکن)

✳️پشتیبانی از بیش از 100 زبان

✳️امکان کاهش ابعاد امبدینگ از 768 → 128 بدون افت کیفیت

✳️پشتیبانی از کانتکست تا 2000 توکن

✳️سازگار با Sentence-Transformers، LangChain، llama.cpp، transformers.js، Weaviate و دیگر ابزارهای محبوب


🟠 وبلاگ: https://developers.googleblog.com/en/introducing-embeddinggemma/
🟠 مدل‌ها: https://huggingface.co/collections/google/embeddinggemma-68b9ae3a72a82f0562a80dc4

@rss_ai_ir

#AI #Google #Gemma #EmbeddingGemma #ML #DeepLearning #LLM #NLP

🎮 Oasis 2.0
؛ دنیای بازی با هوش مصنوعی در لحظه تغییر می‌کند
@rss_ai_ir

🚀 شرکت Decart مدل Oasis 2.0 رو معرفی کرده؛ یک سیستم هوش مصنوعی که به بازیکنان اجازه می‌ده دنیای بازی و سبک گرافیکی رو در لحظه تغییر بدن:

✨ اجرای همزمان در کیفیت 1080p و 30fps
✨ بدون نیاز به بارگذاری مجدد (on-the-fly)

🟢 نسخه آزمایشی آنلاین و مد برای ماینکرفت آماده استفاده است:
https://oasis2.decart.ai/demo

---
📌 جمع‌بندی:
این فناوری یک گام مهم در تلفیق هوش مصنوعی و دنیای بازی‌هاست؛ جایی که بازیکن می‌تواند نه فقط کاراکتر، بلکه کل جهان بازی را در لحظه بازطراحی کند.

#هوش_مصنوعی #بازی #Minecraft #Oasis2 #GameDev #AI
@rss_ai_ir

🌟 InfoSeek:
نسل جدید داده‌سازی برای تحقیقات عمیق با فرمالیزه‌سازی HCSP

مرکز BAAI از پروژه InfoSeek رونمایی کرد — یک متدولوژی باز برای سینتِز داده و حلقه آموزشی ویژه‌ی تحقیقات عمیق (Deep Research).

🔹 چالش اصلی
در این سطح، مسئله فقط استخراج یک واقعیت ساده نیست؛ مدل باید پرسش را به زیرمسئله‌ها تجزیه کند، چندمرحله‌ای استدلال نماید و در نهایت پاسخ‌ها را با منابع واقعی اعتبارسنجی کند.

🔹 فرمالیزه‌سازی به HCSP
این مسائل به‌صورت Hierarchical Constraint Satisfaction Problems (HCSP) مدل می‌شوند:

❌هر نود یک زیرمسئله یا حقیقت اتمی است.
❌یال‌ها روابط قابل‌بررسی از ویکی‌پدیا یا منابع باز هستند.
❌پاسخ نهایی، ریشه‌ی درخت است که تنها با تقاطع محدودیت‌ها و زیرپرسش‌ها به‌دست می‌آید.

❌این رویکرد باعث می‌شود عمق و عرض استدلال به‌روشنی مشخص شده و هر گام میانی قابل بررسی و صحت‌سنجی باشد.

🔹 معماری عامل‌ها
دو عامل فرآیند را پیش می‌برند:

1. Planner – انتخاب هدف و کنترل پیچیدگی کلّی.

2. Browser – استخراج داده و لینک از صفحات.



چهار عمل اصلی چرخه را می‌سازند:

✅شروع از «anchor»
Parent Blurring
✅(افزودن شرایط مستقل برای تعریف پاسخ یکتا)
✅عمق‌بخشی عمودی با دنبال‌کردن لینک‌ها
✅تولید متن سؤال تنها پس از تکمیل قیود


🔹 نتایج و خروجی‌ها

♻️دیتاست: ۵۰ هزار جفت پرسش–پاسخ و ۱۶.۵ هزار مسیر استدلال با برچسب‌های استخراج.

♻️روی بنچمارک BrowseComp-Plus با ۱۰۰K صفحه و BM25، مدل InfoSeeker-3B به دقت ۱۶.۵٪ رسید — بالاتر از Gemini 2.5 Flash, Sonnet 4, GPT-4.1 و به‌مراتب بهتر از Qwen3-32B و Search-R1-32B.

♻️جایگزینی دیتاست NQ+HQA با InfoSeek دقت را از ۳٪ به ۱۶.۵٪ افزایش داد.


🔹 مزایا

✳️عدم نیاز به Teacher Distillation
✳️خودبهبودی مداوم از داده‌های واقعی
✳️کاربردپذیری در معماری‌های مختلف


📌 لایسنس: Apache 2.0
📂 خروجی‌های منتشرشده: دیتاست، گزارش فنی، سازنده درخت داده و کد آموزش SFT. (کد RL و وزن‌های InfoSeeker-3B به‌زودی منتشر می‌شوند.)
💢HuggingFace
📛GitHub
🛑Arxiv

@rss_ai_ir

#هوش_مصنوعی #یادگیری_عمیق #داده #AI #ML #DeepResearch #InfoSeek