#VLM

Nový preprint tvrdí, že multimodálne modely vedia priestorovo uvažovať spoľahlivejšie vtedy, keď si scénu preložia do kódu s kockami, guľami a valcami, než keď majú odpovedať priamo na zdanlivo jednoduché otázky o obraze.

Apple Machine Learning Research predstavilo metódu Direct Steering Optimization, ktorá má počas inferencie cielene obmedzovať demografické skreslenie vo VLM a LLM. Dôležité je, že nejde o jednorazové ‚vypnutie‘ biasu, ale o nastaviteľný kompromis medzi férovosťou a schopnosťami modelu.