NeoMME: یک کدک چندوجهی و چندزبانه کارآمد با عملکرد چندوجهی پیشرفته

پژوهشگران هوش مصنوعی در مقاله‌ای تازه‌منتشرشده، مدل NeoMME را به‌عنوان یک کد‌کننده بومی مودیال (چندحسی) و چندزبانه معرفی کردند. با بهره‌گیری از معماری ترنسفورمر ترکیبی و فنی‌های فشرده‌سازی وزن‌ها، این مدل حجم محاسباتی را به‌طور قابل‌توجهی کاهش داده، در حالی‌که دقت بالایی را در انواع وظایف پردازش زبان طبیعی، تشخیص تصویر و تشخیص گفتار حفظ کرده است. در آزمایش‌های مقایسه‌ای، NeoMME بر روی مجموعه‌داده‌های استاندارد از جمله XNLI، MSCOCO و Common Voice، عملکردی معادل یا بهتر از مدل‌های پیشگامی مانند CLIP و mBERT به‌ دست داد، درحالی‌که حدود ۳۰٪ حافظه و زمان استنتاج کمتری مصرف کرد. این پیشرفت می‌تواند راه را برای استقرار کاربردهای مقیاس‌پذیر هوش مصنوعی در محیط‌های با منابع محدود، از جمله دستگاه‌های موبایل و نقاط لبه شبکه، همووار کند.