Một nhóm nghiên cứu tại Viện Công nghệ Massachusetts (MIT) đã công bố một phương pháp mới mang tên Zero‑Shot Multimodal Reasoning (ZSMR) trong bài báo xuất hiện trên tạp chí Science. Phương pháp này cho phép mô hình AI thực hiện các tác vụ suy luận phức tạp trên dữ liệu kết hợp hình ảnh, video và văn bản mà không cần dữ liệu huấn luyện chuyên biệt.
ZSMR dựa trên việc kết hợp một mô hình ngôn ngữ lớn với một mạng nơ‑ron quan sát đa phương tiện, sử dụng “cross‑modal attention” để đồng bộ hoá thông tin. Thử nghiệm trên bộ dữ liệu mới được xây dựng bởi MIT, ZSMR đạt độ chính xác 98% trong các câu hỏi liên quan đến logic, ngữ cảnh và thời gian, vượt qua các mô hình hiện tại khoảng 12 điểm phần trăm.
Các nhà nghiên cứu nhấn mạnh tiềm năng ứng dụng rộng rãi, từ hệ thống hỗ trợ quyết định y tế, phân tích video giám sát cho đến các công cụ giáo dục tương tác. Họ cũng cung cấp mã nguồn mở và mô hình tiền huấn luyện trên GitHub để cộng đồng có thể tái tạo và mở rộng nghiên cứu.
Nghiên cứu này hứa hẹn sẽ mở ra một kỷ nguyên mới cho AI đa phương tiện, nơi các hệ thống có thể hiểu và suy luận một cách tự nhiên hơn, giảm đáng kể chi phí và thời gian thu thập dữ liệu huấn luyện.