BridgeWAM: Cầu nối giữa các chuyên gia video và hành động thông qua các truy vấn cầu nối tiềm ẩn
BridgeWAM: Bridging Video and Action Experts via Latent Bridge Queries
Đoạn trích bài viết
Các mô hình hành động thế giới (WAM) thường kết hợp các chuyên gia video và hành động thông qua cơ chế chú ý Mixture-of-Transformers (MoT) dày đặc theo từng lớp, khiến dự đoán hành động bị phơi bày trước các đặc trưng thị giác không liên quan trong khi vẫn buộc độ sâu của các chuyên gia phải khớp nhau.
Toàn văn bài viết
Mở bài viết gốc
Đọc bài viết đầy đủ trên huggingface
Mở bài gốc để xem trọn vẹn chi tiết và dẫn chứng.