Beamr Research将专利CABR技术验证为人工智能培训资产

在Beamr的内容自适应技术处理的视频数据上训练人工智能模型，通过将行人和摩托车手等对安全至关重要的道路使用者的深度估计误差降低30.7%，使该模型更有弹性压缩

以色列赫茨利亚，2026年5月6日（环球新闻网）-- Beamr Imagement Ltd.（纳斯达克：视频优化技术和解决方案的领导者BMR）发布的研究表明，在Beamr专利内容自适应比特率（CABR）技术压缩的视频上进行微调的机器视觉模型比在未压缩数据上训练的模型更具弹性，同时减少机器视觉开发所依赖的视频数据量。

处理自动驾驶汽车（AV）和其他视频AI应用程序的PB级视频数据的机器视觉团队通常将压缩视为管理此规模的过程。研究结果将自适应压缩重新定义为一种增强人工智能模型弹性的资产，具有降低存储和网络成本以及基础设施的优势。这项研究扩展了Beamr的ML-Safe基准，验证了跨机器视觉应用程序训练的人工智能模型的潜在性能资产。

该研究评估了Depth Anything V2，这是一种最先进的单目深度估计模型。该模型针对使用Beamr技术压缩的AV视频数据进行了微调，该技术相对于基线压缩可减少35.2%的文件大小。微调后的模型显示，对弱势道路使用者（包括行人和摩托车手）的深度估计误差减少了30.7%，所有对象类别的总误差减少了16.0%。完整的方法和结果可以在博客文章中找到。

“这项研究表明，压缩视频数据可以产生更强大的模型，而不是更少，”Beamr CPO Dani Megrelishvili说。“这表明压缩在我们客户的管道中扮演着不同的角色，从他们承受的成本到他们部署的工具。"

Beamr ML主管Ronen Nissim表示：“机器视觉团队面临着结构性权衡：压缩视频数据以管理规模，或者面临在不压缩的情况下运行人工智能模型不断上升的成本和基础设施挑战。”“我们的研究表明，这种权衡比行业可能假设的更加灵活。通过在微调期间使用压缩镜头作为增强，我们生成了一个模型，该模型在验证集中的表现优于在未压缩数据上训练的等效模型。"

Beamr的ML安全基准测试之前已经验证了整个AV开发管道的内容自适应压缩。这些基准测试显示，文件大小减少了高达50%，同时将对象检测准确度保持在0.96的平均精度，并且在检测、定位和置信一致性方面具有高保真度。随后对世界基金会模型管道中的字幕工作流程进行的测试显示，文件大小减少了41%-57%，但对管道输出没有可衡量的影响。

要对您自己的数据运行Beamr的压缩，请访问beamr.com/autonomous

关于Beamr

Beamr（纳斯达克股票代码：BMR）是内容自适应视频压缩领域的全球领导者，深受Netflix和派拉蒙等顶级媒体公司的信赖。Beamr的感知优化技术（CABR）拥有53项专利，并荣获艾美奖技术与工程奖。这项创新技术可将视频文件大小减少多达50%，同时保留质量并实现人工智能增强功能。

Beamr为高增长市场（例如媒体和娱乐、用户生成的内容、机器学习和自动驾驶汽车）提供高效的视频工作流程。其灵活的部署选项包括本地云、私有云或公共云，为Amazon Web Services（AWS）和Oracle云基础设施（OCI）客户提供便利。

欲了解更多详情，请访问www.beamr.com或投资者网站www.investors.beamr.com

前瞻性陈述

本新闻稿包含存在重大风险和不确定性的“前瞻性陈述”。本通讯中的前瞻性陈述除其他外，可能包括有关Beamr的战略和业务计划、技术、关系、对其业务的目标和预期、趋势对其业务的影响和兴趣、知识产权或产品及其未来业绩、运营和财务表现和状况的陈述。除历史事实陈述外，本新闻稿中包含的所有陈述均为前瞻性陈述。本新闻稿中包含的前瞻性陈述可以通过使用“预期”、“相信”、“设想”、“可能”、“估计”、“预期”、“意图”、“寻求”、“可能”、“计划”、“潜在”、“预测”、“项目”、“目标”、“目标”、“应该”、“将”、“将”等词语来识别。“或这些词语或其他类似表达的负面影响，尽管并非所有前瞻性陈述都包含这些词语。前瞻性陈述基于公司当前的预期，并受到难以预测的固有不确定性、风险和假设的影响。此外，某些前瞻性陈述是基于对未来事件的假设，但事实可能不准确。有关影响公司的风险和不确定性的更详细描述，请参阅公司不时向美国证券交易委员会（“SEC”）提交的报告，包括但不限于公司于2026年2月26日向美国证券交易委员会提交的年度报告以及随后向美国证券交易委员会提交的文件中详细介绍的风险。本公告中包含的前瞻性陈述于本公告之日做出，除适用法律要求外，公司不承担更新此类信息的义务。

投资者联系方式：investorrelations@beamr.com