گوگل فریمورک هوش مصنوعی جدیدی برای دسته‌بندی تصاویر مبهم معرفی کرد

گوگل ریسرچ (Google Research) فریمورک جدیدی با نام Agile Deliberation را منتشر کرده است که یک چارچوب انسان در حلقه (human-in-the-loop) برای ساخت طبقه‌بندی‌کننده‌های تصویر حول مفاهیم ذهنی محسوب می‌شود. در حالی که بیشتر ابزارها فرض می‌کنند کاربران از قبل مرز یک مفهوم را می‌دانند، این فریمورک جدید به آن‌ها کمک می‌کند تا این مرز را پیدا کنند. این سیستم با استفاده از API و بدون نیاز به تنظیم دقیق (fine-tuning)، روی مدل‌های Gemini 2.5 Pro و Gemini 2.5 Flash پیاده‌سازی شده است.

فریمورک Agile Deliberation یک مفهوم مبهم را به یک تعریف ساختاریافته مکتوب تبدیل می‌کند که هم به عنوان یک خط‌مشی قابل خواندن برای انسان عمل می‌کند و هم به عنوان دستور متنی برای طبقه‌بندی‌کننده VLM کاربرد دارد. فرآیند این سیستم در دو مرحله انجام می‌شود؛ مرحله اول مفهوم را با استفاده از زنجیره‌سازی پرامپت به حداکثر سه مفهوم واحد تجزیه می‌کند و مرحله دوم به جستجوی تصاویر مرزی از نظر معنایی می‌پردازد تا بازخورد کاربران را دریافت کند.

ارزیابی‌های این فریمورک که در کنفرانس CVPR 2026 ارائه شده است، نشان می‌دهد که عملکرد آن در مفاهیمی مانند کلیک‌بیت‌های پرداختی و غذای سالم به طور میانگین ۱۰.۵ امتیاز F1 بالاتر از مدل صفرشات (zero-shot) Gemini 2.5 Flashبوده است. کاربران در این ارزیابی‌ها گزارش کردند که میزان تلاش و استرس آن‌ها به طور قابل توجهی کمتر از ویرایش دستی پرامپت بوده است.

کدهای این پروژه تحت مجوز Apache 2.0 در گیت‌هاب منتشر شده و یک نوت‌بوک نمایشی برای راهنمایی توسعه‌دهندگان در دسترس قرار گرفته است. این ابزار به کاربران اجازه می‌دهد به جای برچسب‌گذاری ساده، مرزهای مفاهیم ذهنی را به شکل دقیق‌تری کشف کنند.