Ψ-0.6: Адаптивные потоки рассуждений в единой зрительно-языковой модели мира

Представлена модель Ψ-0.6, объединяющая языковое понимание и визуальное восприятие для рассуждений в виде потоков, включающих слова, глубину, движение и позы камеры. Модель превосходит ведущие аналоги в задачах пространственного мышления и прогнозирования движения объектов, обучаясь выбирать оптимальное представление через обучение с подкреплением.