Lu xew
Benn téere bu tuddu arXiv dafay wane CoVA-SFT, di benn done buñ defar ngir jàppale modeli làkk yu bari yi ñu jëfandikoo ay abstraction yuñy xool bi ñuy saafara jafe-jafe xalaat. Done yi dañu am 51,900 misaal, lu ëpp 222,000 jéego yu wuute ci xalaat, juróomi famiy layout ak 17 liggéey yu jafee def. Auteur yi dañu wane itam CoVA-Bench, muy 1700 misaal yuñ tëye. Raporte nañu ni model yiñ defar bu baax ci CoVA-SFT ñoo gëna am njariñ ci li ñuy woowe chaîne-de-thought baselines lu ëpp ñaari yoon ci moyenne, fekk ñu ngi topp ci chaîne-de-xalaat yu dëgër yi.
Këyit dañu ko jox arXiv ci 29 ut 2026, di wane CoVA-SFT ni corpus tàggat ngir xeeti làkk yu bari. Li muy tekki mooy xalaat ci chaîne-de-pensé bu nekk ci bind rek, mënul ànd ak jafe-jafe yi ñuy gis ndax dafay forse structure visuel bi mu nekk prose. Lu moy loolu, bindkat yi dañu fësal benn anam boo xamni model yi dañuy boole mbind ak ay abstraction yuñy xool bi ñuy saafara ay liggéey.
Sunu sukkandikoo ci abstract bu këyit bi, CoVA-SFT amna 51,900 misaal ak lu ëpp 222,000 jéego yu bari yu ñuy xalaat. misaal yi dañuy wax ci juróomi famiy jëmmal ak 17 liggéey yu jafee def. Woykat bi dafa wax ni corpus bi dafa amaale ay formulaasioŋ yu leer ci sababi xalaat, ay rendu agent ak ay boucles de vérification, yuñ jagleel ngir jàngal model yi ni ñuy tabaxee ak mën toppatoo biir barabu liggéey bi ñuy gis ci biir xalaat.
Auteur yi dañu dugal itam CoVA-Bench, di benn xeetu jàngat bu ànd ak 1,700 misaali test yuñ tëye ci benn kategori liggéey. Benchmark bi dañu koy wane ni anam wu ñuy jàppale méngale yuñ mëna defaraat ci diggante jegewaale yi. Source bi joxeewul liggéey yi benn-benn, séddale misaal yi ci seen biir, dàntite model yiñ jàngat wala njuréefi joxe poñ yépp.
Këyit dafa wax ni xeetu liggéey yiñ defar ci CoVA-SFT ñoo gëna mëna liggéey ci bépp liggéey bu ñu boole ci seen xalaat lu ëpp ñaari yoon ci CoVA-Bench. Resultaa boobu bindkat yi ñoo ko wax te kenn ci ñoom moo ko firnde fii. Benn abstract bi dafa wax ni xeetu xam-xam yooyu ba leegi dese nañu ay tegtal yu dëgër ci bind-keen, loolu moo tax mu gëna baax ci yenn xeeti gis-gis yu bari te baña firnde ni jafe-jafe bi gëna yaatu ci xalaat ci gis-gis bi facc nañu ko.
Ay leeral ci cosaan: arxiv.org ↗
Lu tax mu am solo
Liggéey bi dafay xoole ci benn yamaleg IA multimodal: model yi mën nañu am ay done yu ñuy xool, waaye done yi ñuy tàggat duñu leen jàngal saa yu nekk ni ñuy tabaxee, mën toppatoo ba noppi xool ndax dañuy xool seen diggante. Done yu bari yuñ mëna defaraat ak benn référence mën na may gëstukat yi ñu mëna jàngat jafe-jafe boobu. Resultaa yi këyit bi ci boppam mën nañu ko wax: benefiis yi ñu xamle ñu ngi leen natt ci CoVA-Bench, te xeetu fine-tuned yi ñu ngi des ci ginnàaw sistem yu dëgër yu bind rek.
Sistem multimodal yi dañuy faral di soxla xalaat ci diggante yi am ci barab yi, jëmmal ak yeneen mbir yu jafe joxe ci anam wu jaar yoon ci ay baat yu toppalante. CoVA-SFT dafay saafara jafe-jafe tàggat yaram ci saasi ci def misaal yi ñuy gis ci diggante yi. Sudee gis-gis bi dafay yamale, mën na jàppale model yi ñu mëna def ay liggéey yu am solo, maanaam mën nañu baña yàq jumtukaay yi, melni xàmmee benn-benn mbir wala jàng mbind.
Yaatuwaayu corpus biñ nara defar amna solo ci jafe-jafe bu ndaw bi source bi di fësal. Lu ëppu 222 000 jéego ci xalaat dañu may gëstukat yi ñu gëna am mébet ngir jàngat ni abstraction visuel ak self-correction di amee ci model bi, moo gëna bari luñu koy def ci ay demonstration yu ndaw. CoVA-Bench dafay yokk benn poñ buñuy jàngat, lu mëna yombal méngale resultaa yi ci sistem yiy ñëw.
Resultaa biñ joxe itam bariwul. Auteur yi dañuy méngale ak interleaved baselines ba noppi xamle lu ëpp ñaari yoon njariñ li ci seen benchmark, waaye dañu nangu ni xeetu fine-tuned yi ñu ngi des ci suufu sistem yu dëgër yi am chaîne-de-pensé ci bind kese. Loolu dafay tekki ni li ñu nara wane mën na saafara benn bottleneck te du méngoo ak kàttanu xalaat yi ci pexe yu gëna am doole yi lalu ci bind.
Valeur pratique bi mingi aju ci detay yi amul ci xëtu cosaan bi. Leeralul ndax done yi, annotation yi, jumtukaayi rendu yi wala checkpoint yiñ tàggat mën nañu ko jëfandikoo, ni fine-tuning bi di seer, wala ndax misaal yi dañuy wane jafe-jafe yi ñuy gis ci biti benchmark bi. Source bi itam joxeewul benn firnde ci wàllu kaaraange, coverage demographique, accessibilité wala performance ci aplikaasioŋ yu am solo.
Mekanism buy weccoo xalaat: naka lay doxee
Saytu xarala yu bees yi ci ginaaw yokkute bii ci anam wu weccoo xalaat.
Which component of an AI application is the machine-learning model itself?
Li nga wara seetaan ci topp
Test bi am solo bi ci topp mooy ndax CoVA-SFT dafay yokk performance bi ginaaw benchmark bi mu àndal ak toxal ci model yi, layout yi ak liggéey yi ñuy gis ci àdduna dëgg. Gëstukat yi dañu wara xoolaat itam ndax sabab yu leer yi ak boucles verification yi ci bi dañuy gëna wóor wala dañuy gëna ñaax nit ñi ñu jëfandikoo benchmark. Source bi taxul lisence dataset bi, tolluwaayu yebbi mbooloo, njëgu tàggat, architectures model, resultaa yi ci niveau liggéey wala performance ci evaluations yu biti.
Siggil bi ci biti moo wara njëkka am solo. Resultaa yi bawoo ci done yu moom seen bopp yiy xalaat ci gis-gis dina tax ñu wane ndax CoVA-SFT dafay jàngale mën-mën buñ mëna toxal moo gën ñu gëna mëna liggéey ci jëmmal ak liggéey yiñ wane ci CoVA-Bench. Tegtale yi dañu wara am benn modelu base, xayma budget yi ak anam yi ñuy laaj ngir ñu mëna tekki njariñ liñ wax ci anam wu jaar yoon.
Gëstukat yi dañu wara seet coppite yi am ci niveau liggéey bi ci ginaaw liñu lim ci rapoor bi. Lu ëpp ñaari yoon yokkute ci mbooloo mën na nëbb njariñ yu bari ci yenn famiy layout ak tuuti wala amul benn yokkute ci ñeneen ñi. Woykat bi waxul ndax yokkuteg performance bi mingi méngoo ci 17 liggéey yépp, te waxul itam ci anami njuumte yi wala nattukaayi wóolu sa bopp.
Boucles de vérification yi bindkat yi leeral jarna ñu xoolaat bu baax. Mën nañu jàppale model yi ñu jàpp njuumte yi ci diggu jumtukaayi gis-gis yi, waaye mën nañu itam yokk njëgu inference wala ñu defar melokaanu wóor te duñu fexe am tontu yu mujj yu jaar yoon. Evaluation yi ci kanam war nañu natt njub, etalonnage, xayma ak defaraat njuumte ci anam wu wuute.
Fi may jeexalee mooy barab bi dafa wara am leeral yu gëna leer ci wàllu jëfandikoo ak mëna defaraat. Source bi dafay xamme këyit bi ni ñu nangu ko ci EMNLP 2026 Findings, waaye waxul lisence bi, barabu génne, anam annotation wala hardware bi ñuy laaj. Leeral yooyu ñooy wane ndax CoVA-SFT dina nekk jumtukaayu gëstu bu ñuy jëfandikoo bu baax wala dina des ci njëkk nekk xeetu tàggat bu jëm ci këyit.