EditVid-ի պրեպրինտը պնդում է տեսախմբագրման մի շարք առաջադրանքների համար առանց ուսուցման մեկ շրջանակի ստեղծման մասին
EditVid-ը arXiv-ի պրեպրինտ է, որի գրախոսման կարգավիճակը տրամադրված ապացույցներով հաստատված չէ։ Հեղինակներն առաջարկում են առանց ուսուցման շրջանակ տեսախմբագրման բազմաթիվ առաջադրանքների համար և նշում են FiVE-Acc-ի ավելի բարձր միավոր, քան գնահատված առանց ուսուցման ամենաուժեղ բազային մոդելինն է, ինչպես նաև օգտատերերի 51.8% ընդհանուր նախընտրություն՝ յոթ մրցակից մեթոդների համեմատությամբ։ Գրառումը չի հաստատում անկախ ստուգում, ներդրման հասանելիություն կամ իրական աշխատանքային հուսալիություն։
Այս թողարկումն անցել է «Իմանանք»-ի հրապարակման ընդլայնված ստուգումները: Որոշ էական պնդումներ շարունակում են հստակ վերագրվել պաշտոնական կամ ընկերության աղբյուրներին, քանի որ այս թողարկմանը դեռ անկախ աղբյուր կցված չէ: Համակարգը շարունակում է ստուգել հաստատված աղբյուրները և անկախ հաստատումը կավելացնի միայն ամբողջական ստուգում անցած նոր թողարկմամբ:
arXiv-ի պրեպրինտում ներկայացվում է EditVid համակարգը, որը հեղինակները բնութագրում են որպես առանց ուսուցման (training-free) շրջանակ հրահանգներով և հղումային նմուշներով տեսախմբագրման մի շարք առաջադրանքների համար։ Գրառումը հաստատում է, որ տարբերակ 1-ը ներկայացվել է 3 սեպտեմբերի 2026-ին, իսկ հնարավորությունների և արդյունավետության մասին ձևակերպումները հեղինակների կողմից ներկայացված պնդումներ են։ [1]
01
Ինչ գիտենք այս պահին
- 01
[1] arXiv, «One Editor, Many Edits: A Unified Training-Free Framework for Diverse Video Editing», տարբերակ 1, ներկայացված 3 սեպտեմբերի 2026-ին. https://arxiv.org/abs/2609.04190v1
- 02
[1] Ձեռք բերված առաջնային գրառումը ներառում է ամփոփագիրը, որը նկարագրում է EditVid-ի նշված առաջադրանքները, տեխնիկական բաղադրիչները և հաղորդված FiVE-ի, IVEBench-ի ու օգտատերերի հարցման արդյունքները։
02
Գրառման կարգավիճակը
arXiv-ը նյութը նշում է որպես տարբերակ 1՝ ներկայացված 3 սեպտեմբերի 2026-ին։ Գրախոսման կարգավիճակը տրամադրված ապացույցներով հաստատված չէ։Հեղինակների նշած FiVE-Acc-ը
Ամփոփագրում նշվում է 78.16 EditVid-ի համար և 58.95՝ հեղինակների գնահատման մեջ առանց ուսուցման ամենաուժեղ բազային մոդելի համար։Օգտատերերի նախընտրությունը
Հեղինակները նշում են 51.8% ընդհանուր նախընտրություն EditVid-ի օգտին՝ յոթ մրցակից մեթոդների նկատմամբ։ Գրառումը չի պարունակում հետազոտության կառուցվածքը կամ վիճակագրական վերլուծությունը։Արդյունավետության ցուցանիշները վերցված են հոդվածի ամփոփագրից և տրամադրված ապացույցներում անկախ ստուգում չեն անցել։
03
Ինչ առաջադրանքներ է ըստ հեղինակների միավորում EditVid-ը
Հեղինակները EditVid-ը նկարագրում են որպես առանց ուսուցման շրջանակ, որը նպատակ ունի մեկ կառուցվածքում ներառել տեսախմբագրման մի քանի ռեժիմ։ Նրանց խոսքով՝ այն ապահովում է ինչպես հրահանգներով, այնպես էլ հղումային նմուշներով խմբագրումներ, այդ թվում՝ ոճի փոխանցում, հատկանիշների փոփոխություն, օբյեկտների ավելացում, մասնակի խմբագրում և կերպարի փոխարինում։ [1]
Ըստ ամփոփագրի՝ մոտեցումը համատեղում է նոսր պատճառահետևանքային հիշողությունը (sparse causal memory) տեղային համահունչության համար, post-attention թոքենների ներարկումը երկարաժամկետ նույնականության պահպանման համար և soft latent blending-ը՝ խմբագրման տեղայնացման նպատակով։ Սրանք առաջարկվող մեթոդի նկարագրություններն են, ոչ թե անկախ հաստատված արդյունքներ։ [1]
- Հրահանգներով և հղումային նմուշներով ուղորդվող խմբագրում
- Ոճի փոխանցում և հատկանիշների փոփոխություն
- Օբյեկտների ավելացում, մասնակի խմբագրում և կերպարի փոխարինում
04
Ինչ ապացույցներ են ուղեկցում պնդումներին
Ամփոփագրում նշվում է FiVE-Acc-ի 78.16 միավոր EditVid-ի համար՝ հեղինակների գնահատած առանց ուսուցման ամենաուժեղ բազային մեթոդի 58.95 միավորի համեմատ։ Նրանք նաև մեթոդի IVEBench արդյունքները բնութագրում են որպես մրցունակ։ [1]
Հեղինակները լրացուցիչ նշում են EditVid-ի 51.8% ընդհանուր նախընտրություն օգտատերերի հարցման ընթացքում՝ յոթ մրցակից մեթոդների համեմատությամբ։ Տրամադրված գրառումը չի պարունակում բավարար տեղեկատվություն գնահատման կարգավորումները, մասնակիցների ընթացակարգը, սխալների վերլուծությունը կամ վիճակագրական նշանակալիությունը գնահատելու համար։ [1]
- FiVE-Acc. 78.16 EditVid-ի համար և 58.95 գնահատված առանց ուսուցման ամենաուժեղ բազային մոդելի համար
- IVEBench. հեղինակների կողմից բնութագրվում է որպես մրցունակ
- Օգտատերերի հարցում. 51.8% ընդհանուր նախընտրություն՝ յոթ մրցակից մեթոդների նկատմամբ
05
Կարգավիճակը և չպարզված հարցերը
arXiv-ը «One Editor, Many Edits: A Unified Training-Free Framework for Diverse Video Editing» աշխատանքը գրանցել է որպես տարբերակ 1 համակարգչային տեսողության և արհեստական բանականության բաժիններում՝ ներկայացված 3 սեպտեմբերի 2026-ին։ Սա փաստում է պրեպրինտի առկայությունն ու ներկայացման ամսաթիվը, բայց չի հաստատում հրապարակումը, գրախոսումը կամ անկախ վավերացումը։ [1]
Հետազոտողների և վիդեոգործիքներ ստեղծողների համար հոդվածը կարող է ծառայել որպես առանց ուսուցման տեսախմբագրման առաջարկվող միասնական մոտեցման հստակ նկարագրություն։ Տրամադրված ապացույցները չեն ցույց տալիս, որ այն հուսալի է հեղինակների գնահատումից դուրս, համակողմանիորեն գերազանցում է այլ համակարգերին կամ գործնականում կիրառելի է հրապարակայնորեն հասանելի նյութերի միջոցով։ [1]
- Առաջնային աղբյուր. https://arxiv.org/abs/2609.04190v1
- Տարբերակ 1-ը ներկայացվել է 3 սեպտեմբերի 2026-ին
- Գրախոսումը, վերարտադրումը և ներդրման հասանելիությունը հաստատված չեն
06
Ինչպես դիտարկել այս գրառումը
Աշխատանքը պետք է դիտարկել որպես վաղ փուլի գիտական հետազոտություն, ոչ թե գործարկման պատրաստ տեսախմբագրման արտադրանք։
- 01
Նախքան ներկայացված արդյունքներին վստահելը բացեք arXiv-ի առաջնային գրառումը՝ https://arxiv.org/abs/2609.04190v1
- 02
Բենչմարքերի և օգտատերերի հարցման տվյալները դիտարկեք որպես հեղինակների կողմից ներկայացված արդյունքներ. տրամադրված ապացույցները չեն հաստատում դրանց անկախ վերարտադրումը։
- 03
Մի ենթադրեք, որ տրամադրված գրառումից հասանելի են ծրագրային կոդը, մոդելի կշիռները, դեմո տարբերակները, աշխատանքային մանրամասները, սարքային պահանջները կամ վերարտադրելիության ցուցումները։
07
Այս թողարկման սահմանափակումները
Տրամադրված ապացույցը arXiv-ի գրառում և ամփոփագիր է. գրախոսումը, հրապարակումը և անկախ ստուգումը հաստատված չեն։ [1]
Գրառումը չի հաստատում ծրագրային կոդի, մոդելի կշիռների, ինֆերենսի գործիքների, դեմոների, սարքային պահանջների, գործարկման տվյալների կամ վերարտադրելիության ուղեցույցների հասանելիությունը։ [1]
Ամփոփագրի մակարդակով ստացված ապացույցները չեն պարունակում մանրամասն մեթոդաբանություն, ձախողման դեպքեր, տվյալների բազաների հասանելիություն, վիճակագրական վերլուծություն կամ սահմանափակումներ։ [1]
SRC
Աղբյուրների բաժին
Ուղիղ հղումներ այս ընտրանու հիմքում եղած նյութերին: Աղբյուրը տեսնելը նույնքան կարևոր է, որքան սինթեզն ընթերցելը:
Շարունակել ընթերցումը
28 օգս, 2026 թ.
MyoMechanix-ն առաջարկում է ծանրություններով վարժությունների մուլտիմոդալ վերլուծություն
MyoMechanix-ը չգրախոսված նախատպություն է, որն առաջարկում է մուլտիմոդալ բենչմարք, ֆիթնեսի գիտելիքների կառուցվածքայնացված գրաֆ և վերլուծական համակարգ՝ ծանրություններով շարժումների ուսումնասիրման համար։ Տվյալների ծավալն ու արդյունավետությունը հեղինակների պնդումներն են, որոնք անկախ աղբյուրներով դեռևս ստուգված չեն։
29 օգս, 2026 թ.
Պրեպրինտն առաջարկում է ընտրանքային գնահատումներ տրանսդուկցված լեզվական մոդելների համար
arXiv-ի պրեպրինտն առաջարկում է առանց վերադարձի ընտրանքը և հակադարձ հավանականությամբ վերակշռումը որպես այլընտրանք միայն շեմային զտմանը՝ տրանսդուկցված լեզվական մոդելներում հավանականությունները գնահատելու համար։ Հեղինակները հայտնում են տեքստի և ԴՆԹ-ի փորձարկումներում հաշվարկ-դիսպերսիայի կամ սխալանքի բարելավված արդյունքների, ինչպես նաև ԴՆԹ-ից ամինաթթու մեկ դեպքում աշխատաժամանակի զգալի խնայողության մասին, սակայն տրամադրված տվյալները չեն հաստատում գրախոսում կամ վերարտադրում։
30 օգս, 2026 թ.
WikiSkill-ն առաջարկում է գիտելիքի կայուն շերտ AI գործակալների հմտությունների զարգացման համար
WikiSkill-ը arXiv-ի նախատպվածք է, որի հեղինակներն առաջարկում են AI գործակալների աշխատանքային փորձը համախմբել կայուն վիքիում, որն այնուհետև կուղղորդի հմտությունների թարմացումը: Նրանք նշում են համեմատվող մեթոդների և ելակետային տարբերակների նկատմամբ գրանցված առավելությունների, մեծ մոդելներում ավելի նկատելի օգուտների, առանց հմտությունների մեծ մոդելներին գերազանցող հմտություններով փոքր մոդելների և միջմոդելային փոխանցման մասին, որտեղ այլ մոդելի հմտությունները կարող են գերազանցել ինքնուրույն զարգացրածներին: Առկա ամփոփագրում բացակայում են այդ պնդումները հաստատելու համար անհրաժեշտ գնահատման մանրամասներն ու անկախ ստուգումը: