ترجمه فارسی مقاله عوامل بصری به عنوان متفکران سریع و کند

چکیده

Achieving human-level intelligence requires refining cognitive distinctions between System 1 and System 2 thinking. While contemporary AI, driven by large language models, demonstrates human-like traits, it falls short of genuine cognition. Transitioning from structured benchmarks to real-world scenarios presents challenges for visual agents, often leading to inaccurate and overly confident responses. To address the challenge, we introduce FaST, which incorporates the Fast and Slow Thinking mechanism into visual agents. FaST employs a switch adapter to dynamically select between System 1/2 modes, tailoring the problem-solving approach to different task complexity. It tackles uncertain and unseen objects by adjusting model confidence and integrating new contextual data. With this novel design, we advocate a flexible system, hierarchical reasoning capabilities, and a transparent decision-making pipeline, all of which contribute to its ability to emulate human-like cognitive processes in visual intelligence. Empirical results demonstrate that FaST outperforms various well-known baselines, achieving 80.8% accuracy over VQA^{v2} for visual question answering and 48.7% GIoU score over ReasonSeg for reasoning segmentation, demonstrate FaST’s superior performance. Extensive testing validates the efficacy and robustness of FaST’s core components, showcasing its potential to advance the development of cognitive visual agents in AI systems. The code is available at ttps://github.com/GuangyanS/Sys2-LLaVA.

چکیده به فارسی (ترجمه ماشینی)

دستیابی به هوش سطح انسان نیاز به پالایش تمایزهای شناختی بین سیستم 1 و سیستم 2 دارد.در حالی که هوش مصنوعی معاصر ، که توسط مدلهای بزرگ زبان هدایت می شود ، صفات مانند انسان را نشان می دهد ، از شناخت واقعی کم می شود.انتقال از معیارهای ساختاری به سناریوهای دنیای واقعی چالش هایی را برای عوامل بصری ایجاد می کند ، که اغلب منجر به پاسخ های نادرست و بیش از حد با اعتماد به نفس می شود.برای پرداختن به چالش ، ما سریع معرفی می کنیم ، که مکانیسم تفکر سریع و آهسته را در عوامل بصری گنجانیده است.FAST از آداپتور سوئیچ استفاده می کند تا به صورت پویا بین حالت 1/2 سیستم انتخاب شود و رویکرد حل مسئله را به پیچیدگی کار مختلف متناسب کند.این امر با تنظیم اعتماد به نفس مدل و ادغام داده های جدید متنی ، اشیاء نامشخص و غیب را مقابله می کند.با این طراحی جدید ، ما از یک سیستم انعطاف پذیر ، قابلیت های استدلال سلسله مراتبی و یک خط لوله تصمیم گیری شفاف دفاع می کنیم که همه اینها به توانایی آن در تقلید فرآیندهای شناختی مانند انسان در هوش بصری کمک می کند.نتایج تجربی نشان می دهد که سریع تر از خطوط مختلف مشهور ، دستیابی به دقت 80.8 ٪ نسبت به VQA^{V2} برای پاسخ به سؤال بصری و 48.7 ٪ GIOU نمره GIOU نسبت به استدلال برای تقسیم بندی ، عملکرد برتر سریع را نشان می دهد.آزمایش گسترده اثربخشی و استحکام اجزای اصلی FAST را تأیید می کند و پتانسیل آن را برای پیشرفت عوامل بصری شناختی در سیستم های AI نشان می دهد.کد در ttps: //github.com/guangyans/sys2-llava در دسترس است.