¿Es el lenguaje visual? Un experimento con caracteres chinos
Un experimento con caracteres chinos revela cómo el sesgo visual afecta a la IA. Una impresora rota, una carrera y un empate que cambian nuestra comprensión del lenguaje.
#lenguaje visual
Purificación Adversarial Acumulativa para Modelos de Lenguaje Visual
Descubre DiffCAP: purificación por difusión que neutraliza ataques adversarios en VLMs. Mejora la seguridad sin sacrificar eficiencia. ¡Acelera tu despliegue!
MARIC: Razonamiento Multi-Agente para Clasificación de Imágenes
Descubre cómo MARIC revoluciona la clasificación de imágenes usando un enfoque multiagente colaborativo que supera a los métodos tradicionales.
Búsqueda semántica en 100M+ imágenes de galaxias con IA
Descubre cómo AION-Search usa IA para buscar en 100 millones de imágenes de galaxias y encontrar nuevos fenómenos raros como corrientes estelares.
Ver antes de colisionar: RL segura anticipatoria con modelos de lenguaje visual
Descubre cómo los modelos de lenguaje visual congelados permiten un RL anticipatorio que evita colisiones antes de que ocurran, superando métodos tradicionales.
Recuperación de videos de conducción para consultas complejas con STRIVE-D
Descubre cómo STRIVE-D calibra reglas con datos reales para recuperar videos de conducción con consultas complejas, mejorando la precisión hasta un 84%.
MedVision: Benchmark para análisis cuantitativo de imágenes médicas
Descubre MedVision: benchmark de IA para análisis cuantitativo de imágenes médicas. Evalúa detección, tumores y ángulos.
Inferencia colaborativa de borde a servidor para modelos VLM
Descubre cómo la inferencia colaborativa edge-to-server reduce el costo de comunicación en modelos VLM sin sacrificar precisión. Optimiza tu infraestructura con transmisión selectiva.
Destilación de heurísticas de lectura para trazas de manipulación
Aprende cómo los robots superan la lectura errónea de video con destilación en bucle cerrado para predecir acciones exitosas.
Enseñar el método, no la respuesta: Destilación privilegiada multimodal
Descubre cómo PTD-PO optimiza políticas multimodales sin revelar respuestas, mejorando el razonamiento complejo.
MotionEnhancer: difusión video mejora modelos visión-lenguaje en movimiento
Descubre cómo MotionEnhancer usa difusión de video para mejorar la comprensión del movimiento en VLMs, sin parámetros adicionales.
Viendo el tiempo: Evaluando el razonamiento cronológico en VLMs
Descubre cómo los VLMs fallan al razonar sobre el tiempo, usando atajos visuales en lugar de lógica cronológica. Nuevo benchmark y datasets para mejorar la IA.
Drive-KD: Destilación multi-profesor para VLMs en conducción autónoma
Drive-KD destila conocimiento multi-profesor para VLMs en conducción autónoma: menor uso de GPU, mayor throughput y rendimiento superior en planificación.
ViCuR: Destilación multimodal on-policy con señales visuales recuperables
ViCuR mejora el razonamiento visual en destilación multimodal on-policy usando señales visuales recuperables, superando métodos en +1.19%.
Aprendizaje de autocorrección en modelos visión-lenguaje mediante aumento de trayectorias
Descubre cómo Octopus-8B logra autocorrección eficiente en VLMs mediante aumento de trayectorias, superando a otros modelos con un 1.0 de puntuación y menor tiempo de entrenamiento.
Respuesta a preguntas 3D Zero-Shot mediante transporte jerárquico de vista a token
Descubre cómo KeyVT optimiza la selección de vistas y tokens para responder preguntas sobre escenas 3D sin entrenamiento, superando a métodos existentes.
De diagnóstico interno a auditoría externa: defensa contra backdoors con VLM
Conoce PRISM, un marco basado en VLMs que cambia el diagnóstico interno por auditoría externa para neutralizar backdoors con tasa de éxito menor al 1%.
Modelos de lenguaje visual no razonan transformaciones físicas
Descubre por qué los modelos de lenguaje visual fallan al razonar sobre transformaciones físicas. Un nuevo estudio con 112 modelos revela limitaciones críticas.
¿Pueden los modelos de lenguaje visual aprender física intuitiva?
¿Pueden los modelos de lenguaje visual desarrollar intuiciones físicas mediante interacción? Un estudio revela que el aprendizaje por refuerzo no basta para generalizar reglas físicas.
EuraGovExam: Benchmark multilingüe de exámenes de servicio civil
Descubre EuraGovExam, un benchmark con exámenes reales de servicio civil en 5 regiones. Evalúa VLMs en razonamiento visual multilingüe. Resultados reveladores.