Новое исследование показывает, что современные модели, объединяющие зрение и язык, способны значительно улучшить свои навыки в решении задач, требующих понимания геометрии и пространственного мышления.

В статье представлена архитектура CAViT, усовершенствование Vision Transformer, позволяющее динамически смешивать признаки для повышения эффективности и точности.