ShallowStream-ն առաջարկում է մակերեսային ինդեքսավորում սթրիմինգային տեսահարցումների համար
ShallowStream-ը arXiv-ի պրեպրինտ է, որն առաջարկում է մուտքային վիդեոկադրերի մակերեսային շերտերով ինդեքսավորում և ավելի խորքային մշակում հարցումներին պատասխանելիս։ Դրա հեղինակները հայտնում են յուրաքանչյուր կադրի prefill հապաղման մինչև 52.1x և 10 վրկ end-to-end հապաղման մինչև 11.9x կրճատման մասին, սակայն տրամադրված գրառումը թույլ չի տալիս անկախ կերպով գնահատել այդ պնդումները կամ հաստատել գրախոսման առկայությունը [1]։
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:
2026 թ. սեպտեմբերի 2-ին arXiv ներկայացված պրեպրինտում նկարագրվում է ShallowStream-ը՝ մուլտիմոդալ մեծ լեզվական մոդելներով սթրիմինգային տեսանյութերի ընկալման առաջարկվող շրջանակը (framework): Հեղինակների խոսքով՝ այն օգտագործում է մոդելի մակերեսային շերտերը՝ մուտքային կադրերն ինդեքսավորելու համար, իսկ ավելի խորքային մշակումը վերապահում է հարցումներին պատասխանելուն։ Նրանք նշում են ավելի ցածր հապաղման մասին՝ պահպանելով առկա սթրիմինգային մեթոդներին համադրելի արդյունավետություն, սակայն տրամադրված գրառումը չի պարունակում այն փորձարարական մանրամասները, որոնք անհրաժեշտ են այդ արդյունքներն անկախ գնահատելու համար [1]։
01
Ինչ գիտենք այս պահին
- 01
[1] arXiv, «ShallowStream: Index Shallow then Answer Deep for Streaming Video Understanding», տարբերակ 1, ներկայացված 2026 թ. սեպտեմբերի 2-ին: https://arxiv.org/abs/2609.02780v1
- 02
arXiv-ի ամբողջական գրառումը պարունակում է սեղմագրի մեթոդի նկարագրությունը, հապաղման նշված ցուցանիշները, հեղինակների ցանկը, ներկայացման ամսաթիվը և Comments դաշտի «Work in Progress» տեքստը [1]։
02
arXiv գրառման մեկնաբանությունը
arXiv-ի գրառման Comments դաշտում նշված է «Work in Progress»: Տրամադրված գրառումը չի հաստատում գրախոսման կամ անկախ ստուգման առկայությունը:Prefill-ի նշված կրճատումը՝ ըստ կադրի
Հեղինակները հայտնում են մինչև 52.1 անգամ կրճատման մասին: Գրառումը չի տրամադրում այս ցուցանիշի հիմքում եղած փորձարարական պայմանները:10 վրկ հապաղման նշված կրճատումը
Հեղինակները հայտնում են մինչև 11.9 անգամ կրճատման մասին: Չափման մանրամասները տրամադրված գրառման մեջ նշված չեն:Արտադրողականության ցուցանիշները ներկայացված են պրեպրինտի հեղինակների կողմից [1]։
03
Ծախսատարության խնդիրը, որին անդրադառնում է հոդվածը
Ըստ հեղինակների՝ տեսանյութերի շարունակական մշակումը կարող է ծախսատար լինել, երբ մուլտիմոդալ մեծ լեզվական մոդելն աշխատում է իր բոլոր շերտերով յուրաքանչյուր մուտքային կադրի համար։ Նրանք այս կրկնվող, ամբողջական խորությամբ prefill-ը նկարագրում են թե՛ որպես հաշվարկային առումով թանկ գործընթաց, թե՛ որպես key-value քեշի ծավալի աճի գործոն [1]։
- Հեղինակները մուտքային կադրերի ամբողջական խորությամբ կրկնվող մշակումը դիտարկում են որպես հաշվարկային ծանրաբեռնվածություն:
- Նրանց խոսքով՝ ամբողջական խորությամբ prefill-ի պատճառով key-value քեշի աճը նույնպես դառնում է prefill-ի խորությանը համամասնական:
- Առաջարկը կենտրոնանում է մոդելի խորության վրա՝ ի լրումն սթրիմինգային հավելյալ ծախսերը կրճատելու այլ մոտեցումների:
04
Ինչ է առաջարկում ShallowStream-ը
ShallowStream-ն առանձնացնում է շարունակական ինդեքսավորումը պատասխանի ավելի խորքային գեներացումից։ Հեղինակները նկարագրում են մուլտիմոդալ մեծ լեզվական մոդելի մակերեսային շերտերի կիրառումը՝ կադրերը ներկայացնելու և մշտապես գործող թեթև ինդեքս պահպանելու համար։ Հարցում ստանալիս համակարգն օգտագործում է մակերեսային շերտերի attention միավորներն ու բազմազանության հաշվառմամբ ընտրությունը՝ պատասխանի համար կոնտեքստային կադրեր առանձնացնելու նպատակով [1]։
- Մակերեսային շերտերը կոդավորում են մուտքային կադրերը և կազմում որոնման ինդեքս:
- Շրջանակը պահպանում է թեթև ինդեքս՝ օգտագործելով մակերեսային շերտերի key-value քեշի տեղեկությունները:
- Հարցման պահին մակերեսային շերտերի attention միավորները դասակարգում են կոնտեքստային կադրերը:
- Բազմազանության հաշվառմամբ ընտրության փուլն ընտրում է կոնտեքստը՝ ավելի խորքային պատասխան տալու համար:
05
Նշված արտադրողականությունը
Հեղինակները հայտնում են, որ ShallowStream-ը հասնում է գործող ամենաուժեղ սթրիմինգային մեթոդներին համադրելի արդյունավետության՝ միաժամանակ կրճատելով մեկ կադրի prefill հապաղումը մինչև 52.1 անգամ, իսկ 10 վայրկյանի end-to-end հապաղումը՝ մինչև 11.9 անգամ։ Սրանք պրեպրինտի պնդումներ են, ոչ թե անկախ կերպով հաստատված եզրահանգումներ։ Առանց հիմքում եղած կարգավորումների և չափումների՝ տրամադրված գրառումը ցույց չի տալիս, թե որքանով են այս ցուցանիշները կիրառելի ավելի լայն համատեքստում [1]։
- Ըստ հեղինակների՝ մինչև 52.1x ավելի ցածր prefill հապաղում՝ յուրաքանչյուր կադրի համար:
- Ըստ հեղինակների՝ մինչև 11.9x ավելի ցածր end-to-end հապաղում՝ 10 վայրկյան տևողությամբ հատվածի համար:
- Հեղինակների կողմից նկարագրված արդյունավետություն, որը համադրելի է գործող ամենաուժեղ սթրիմինգային մեթոդների հետ:
06
Ինչ է հաստատում տրամադրված գրառումը
Սթրիմինգային տեսանյութերի ընկալման հետազոտությունները գնահատող ընթերցողների համար պրեպրինտն առաջարկում է վաղ տեխնիկական մոտեցում՝ կրկնվող խորքային մշակումն ու քեշի աճը կրճատելու համար։ Այն պետք է դիտարկել որպես հեղինակների կողմից փաստաթղթավորված առաջարկ և ներկայացված արդյունքների շարք, ոչ թե ստուգված benchmark եզրակացություն։ Առաջնային աղբյուրը Ջիտայ Հաոյի (Jitai Hao), Կե Յանգի (Ke Yang), Ցյանգ Հուանգի (Qiang Huang) և Ջուն Յուի (Jun Yu) «ShallowStream: Index Shallow then Answer Deep for Streaming Video Understanding» աշխատանքի arXiv գրառումն է [1]։
- Հոդվածը ներկայացնում է ցածր ծախսատարությամբ շարունակական ինդեքսավորման և հարցման պահին ընտրողական ավելի խորքային հաշվարկի մոդել:
- Այն չի հաստատում վերարտադրելիությունը, իրականացման հասունությունը կամ արդյունավետությունը շահագործման կոնկրետ պայմաններում:
- Առաջնային գրառումը նույնականացնում է հոդվածը և հղում կատարում կոդի ռեպոզիտորիային, որն այստեղ չի ստուգվել:
07
Ինչ ստուգել հաջորդիվ
Սույն գրառումն ուրվագծում է առաջարկը, սակայն բավարար մանրամասներ չի տրամադրում ներդրումը կամ վերարտադրելիությունը գնահատելու համար [1]։
- 01
Ներկայացված արդյունքների վրա հիմնվելուց առաջ ծանոթացեք arXiv-ի առաջնային գրառմանը և հոդվածին [1]։
- 02
Հապաղման և արտադրողականության ցուցանիշները դիտարկեք որպես հեղինակների կողմից ներկայացված տվյալներ, քանի դեռ հնարավոր չէ ուսումնասիրել մոդելները, տվյալների բազաները, բազային համեմատականները (baselines), սարքային ապահովումն ու չափման մեթոդաբանությունը [1]։
- 03
Արդյունքները վերարտադրելու փորձից առաջ ստուգեք առանձին հղված կոդի ռեպոզիտորիան. դրա հասանելիությունը, բովանդակությունն ու հրահանգները տրամադրված փաստերում չեն ստուգվել [1]։
08
Այս թողարկման սահմանափակումները
Տրամադրված գրառումը չի հաստատում գրախոսում կամ անկախ ստուգում անցնելու հանգամանքը։ Դրա Comments դաշտում նշված է «Work in Progress» [1]։
Տրամադրված գրառումը չի նշում ներկայացված արդյունքների հիմքում եղած մոդելները, տվյալների բազաները, բազային համեմատականները (baselines), սարքային միջավայրը կամ չափման մեթոդաբանությունը [1]։
Գրառումը հղում է տալիս կոդին, սակայն ռեպոզիտորիան չի ուսումնասիրվել տրամադրված փաստերում. դրա հասանելիությունը, բովանդակությունն ու վերարտադրելիությունը մնում են չստուգված [1]։
SRC
Աղբյուրների բաժին
Ուղիղ հղումներ այս ընտրանու հիմքում եղած նյութերին: Աղբյուրը տեսնելը նույնքան կարևոր է, որքան սինթեզն ընթերցելը:
Շարունակել ընթերցումը
4 սեպ, 2026 թ.
Նախատպվածք. հետադարձ կապը կարող է բացահայտել ՄԼՄ-ների գնահատման թույլ կողմերը
arXiv-ի 1 տարբերակի նախատպվածքի համաձայն՝ օգտատերերի հետադարձ կապի հիման վրա կատարված փոփոխություններն ավելի հաճախ են լուծել նպատակային խնդիրները, քան առանց դրա տարբերակները, իսկ գնահատող ՄԼՄ-ները հաճախ բաց են թողել միայն հետադարձ կապով պայմանավորված շտկումները։ Աղբյուրը ներկայացնում է սրանք որպես հեղինակների հաղորդած պնդումներ, այլ ոչ թե գրախոսված կամ անկախ կերպով վերարտադրված արդյունքներ։
1 սեպ, 2026 թ.
Պրեպրինտն ուսումնասիրում է խոսքի ճանաչման սխալների ազդեցությունը մարմնավորված AI-ի անվտանգության վրա
arXiv պրեպրինտի հեղինակները նշում են, որ խոսքի ճանաչման մոդելավորված սխալները կարող են մեծացնել ձայնային կառավարմամբ մարմնավորված AI համակարգերի անվտանգության խախտումների հավանականությունը: Նրանք նաև հայտնում են ավտոմատ ուղղման անկայուն արդյունքների մասին: Մանրամասն մեթոդներն ու անկախ ստուգման տվյալները նյութում ներկայացված չեն:
31 օգս, 2026 թ.
MAELLE նախատպությունն առաջարկում է էլեկտրոնային մակարդակի ուղիներ ռեակցիաների կանխատեսման համար
MAELLE-ը քիմիական ռեակցիաների կանխատեսման մեթոդ է, որը հիմնված է գրաֆային կառուցվածք ունեցող էլեկտրոնային զբաղվածությունների discrete flow matching մոտեցման վրա: Նախատպության համաձայն՝ մոդելն ապահովում է էլեկտրոնների վերախմբավորման մեկնաբանելի ուղիներ, մրցունակ արդյունքներ USPTO-480K-ում, out-of-distribution կայունություն և կողմնակի արգասիքների կանխատեսում: arXiv-ի առկա գրառումը չի պարունակում այդ պնդումները ստուգելու համար անհրաժեշտ քանակական, մեթոդաբանական կամ անկախ ապացույցներ: