Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind9. Januar 2026 · Q005061

TRecViT: A Recurrent Video Transformer

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der bereitgestellte Bericht ist nur ein Auszug mit Abstract, kein vollständiger Artikel. Er beschreibt TRecViT als kausales Videomodell, das zeitliche Rekurrenz, räumliche Selbstaufmerksamkeit und Kanal-MLPs kombiniert. Laut den Forschenden erreicht es auf genannten Datensätzen starke Vergleichsergebnisse bei geringerem Speicher- und Rechenaufwand; Einzelheiten zu den Versuchen fehlen im Auszug.

Mittel

Der bereitgestellte Bericht ist ein Auszug mit Abstract und bibliografischen Angaben, nicht der vollständige Artikel. Die Ergebnisse sind daher als Angaben der Forschenden zu verstehen.

TRecViT ist ein kausales Videomodell, das die Verarbeitung aufteilt: LRUs mischen Informationen über die Zeit, Selbstaufmerksamkeit verarbeitet räumliche Beziehungen und MLPs die Kanäle. Laut Abstract ist es für unterschiedliche Aufgaben und überwachte wie selbstüberwachte Trainingsverfahren vorgesehen. Die Autorinnen und Autoren berichten, TRecViT erreiche auf SSv2 und Kinetics-400 mindestens eine mit dem nicht kausalen ViViT-L vergleichbare Leistung. Gegenüber ViViT mit vollständiger Selbstaufmerksamkeit habe es dreimal weniger Parameter, zwölfmal weniger Speicherbedarf und fünfmal weniger FLOPs; die Inferenz liege bei ungefähr 300 Bildern pro Sekunde. Auf SSv2 beanspruche es zudem bessere Ergebnisse als verglichene kausale Transformer- und rekurrente Modelle. Der Auszug enthält keine Details zu Versuchsbedingungen oder Messunsicherheiten. Code und Modellgewichte seien online verfügbar; als Publikationsort wird TMLR genannt.

Ausführlich lesen

Der bereitgestellte Bericht ist ein Auszug: Er enthält den Abstract sowie Angaben zu Autorinnen und Autoren und zum Publikationsort, aber nicht den vollständigen Artikel. Die darin beschriebenen Ergebnisse sind daher als Aussagen der Forschenden wiederzugeben; Einzelheiten zu Versuchsaufbau, Datenauswertung und Einschränkungen stehen im Auszug nicht.

Die Autorinnen und Autoren stellen TRecViT vor, einen kausalen Transformer für Videomodellierung. Seine Architektur zerlegt die Verarbeitung in drei Dimensionen: Gated Linear Recurrent Units (LRUs) mischen Informationen über die Zeit, Selbstaufmerksamkeit verarbeitet räumliche Beziehungen und MLPs verknüpfen Kanalinformationen. Laut Abstract ist das Modell für dichte und spärliche Aufgaben sowie für überwacht und selbstüberwacht trainierte Anwendungen gedacht. Die Forschenden bezeichnen es als das erste kausale Videomodell aus der Familie der Zustandsraummodelle.

Für große Videodatensätze, darunter Something-Something v2 (SSv2) und Kinetics-400, berichten die Autorinnen und Autoren, TRecViT erreiche eine Leistung auf dem Niveau des verbreiteten, nicht kausalen Modells ViViT-L oder übertreffe es. Gegenüber ViViT mit vollständiger Selbstaufmerksamkeit habe TRecViT dabei dreimal weniger Parameter, einen zwölfmal geringeren Speicherbedarf und fünfmal weniger FLOPs. Die angegebene Inferenzgeschwindigkeit betrage ungefähr 300 Bilder pro Sekunde, was laut Abstract Echtzeitverarbeitung ermögliche. Im Vergleich mit kausalen Transformer-Modellen wie TSM und RViT sowie rekurrenten Modellen wie LSTM beanspruche TRecViT auf dem anspruchsvollen SSv2-Datensatz den besten Stand der Ergebnisse.

Der Auszug beschreibt die Architektur und fasst Leistungs- und Effizienzvergleiche zusammen, erläutert aber weder die konkreten Versuchsbedingungen noch Messunsicherheiten oder weitere Grenzen. Er verweist auf online verfügbaren Code und Modellgewichte. Als Publikationsort nennt er TMLR.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Tempo und Grenzen

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →