‏Imajev یه پروژه جالب توی خانواده Decision Modelهاست که ایده‌ی Jev رو یک قدم جلوتر می‌بره: به‌جای اینکه فقط Text + State بگیره، می‌تونه Image + State + Text رو با هم بررسی کنه و در نهایت به‌جای تولید متن، بین گزینه‌هایی که خودت تعریف کردی احتمال بده.

فنی

از نظر معماری، Imajev روی مدل‌های Qwen3.5 در سه سایز 2B، 4B و 9B ساخته شده و با LoRA به یک Decision Readout مجهز شده. برای هر گزینه یک کد مشخص در نظر گرفته میشه و مدل با یک Forward Pass احتمال گزینه‌ها رو محاسبه می‌کنه بنابراین برخلاف LLMهای معمولی، لازم نیست جواب رو Token به Token تولید کنه. یک گزینه‌ی unknown هم به‌صورت First-class داخل مدل وجود داره تا وقتی Evidence کافی نیست، مدل مجبور به حدس زدن نباشه.

قسمت جذاب‌ترش Multimodal Decision Making هستش، مثلاً می‌تونی اطلاعات یک محصول رو به مدل بدی و همراهش عکس محصول رو بفرستی و بپرسی «کدوم فیلد این رکورد با عکس تناقض داره؟». این یعنی میشه ازش برای Quality Control، بررسی محصول و سند و خیلی چیزای دیگه استفاده کرد.

اگر مدل برای یک تصمیم 0.95 Confidence داره، سیستم میتونه با اطمینان بیشتری Action انجام بده و اگر Confidence پایین بود، تصمیم رو به یک LLM قوی‌تر یا انسان منتقل کنه. در Benchmark خود پروژه، مدل 4B در بعضی تست‌ها حدود 84٪ Accuracy گرفته و در Image JevBench هم رتبه اول گزارش شده. البته این نتایج توسط سازندگان/benchmarkها گزارش شده و برای انتخاب Production بهتره روی Dataset خودت هم تست بشه.

@silicon_brain | از هوش مصنوعی عقب نمانید