Ver no es saber: cuándo los VLMs deberían abstenerse
¿Los VLMs saben cuándo abstenerse? Un estudio revela que fallan en preguntas espaciales con oclusión o ambigüedad, respondiendo con exceso de confianza. Descubre por qué.
#modelos visión-lenguaje
Calibración de atención cross-modal para reducir alucinaciones en LVLM
CMAC: un método sin entrenamiento que calibra la atención cross-modal para mitigar alucinaciones en LVLMs. Corrige sesgos y mejora la consistencia visual-textual.
Adaptador Variacional para Representación de Similitud Multimodal
Descubre cómo el Adaptador Variacional mejora la similitud multimodal resolviendo falsos negativos y potenciando la generalización en modelos de visión-lenguaje
Colapso de plantillas en informes de TC 3D: medición y mitigación
El colapso de plantillas limita la detección de hallazgos críticos en TC 3D. Conoce CLarGen, el método que separa detección de síntesis para informes más precisos.
FOCUS: Cómo localizar objetos en contexto sin supervisión de categorías
Aprende cómo FOCUS localiza objetos en contexto sin supervisión de categorías, usando apoyo visual y optimización por refuerzo. Supera modelos de hasta 72B parámetros.
Más allá de la clasificación: enrutamiento dinámico en recuperación multimodal
Descubre cómo el enrutamiento dinámico de adaptadores mejora la recuperación multimodal continua, superando métodos tradicionales. Ideal para IA y visión.
CrystalXRD-Bench: Evaluación de modelos de visión-lenguaje para la indexación de picos de XRD en diversos materiales cristalinos
<meta name=description content=Evaluación de modelos de visión-lenguaje para la indexación de picos XRD. Descubre los resultados y su precisión en el análisis de difracción de rayos X.>
Evaluación comparativa de modelos grandes de visión-lenguaje en CFMME: Un conjunto de datos completo de evaluación multimodal financiera china
Comparativa de modelos visión-lenguaje en CFMME, dataset multimodal financiero chino. Análisis de rendimiento y aplicaciones en finanzas.
Revelando el cuello de botella del conteo visual en modelos de visión-lenguaje
Análisis del cuello de botella del conteo visual en modelos de visión-lenguaje: limitaciones actuales y perspectivas para mejorar la precisión en tareas numéricas.
FedMPT: Ajuste de Prompts Multietiqueta Federado de Modelos de Visión-Lenguaje
<meta content=Descubre el ajuste federado de prompts multietiqueta para optimizar modelos visión-lenguaje con aprendizaje distribuido y eficiente>
ActQuant: Cuantificación guiada por acciones de menos de 4 bits para modelos de Visión-Lenguaje-Acción
<meta name=description content=ActQuant reduce modelos Visión-Lenguaje-Acción a menos de 4 bits sin perder precisión. Descubre cómo esta cuantificación optimiza el rendimiento y la eficiencia en IA.>
El Efecto Rescate: La Salida Temprana Espacio-Semántica Evita el Colapso de Cuantización en CLIP
<meta name=description content=Descubre cómo la salida temprana espacio-semántica evita el colapso de cuantización en CLIP, mejorando eficiencia y precisión del modelo.>
Respetando la brecha de modalidad en la detección post-hoc de datos fuera de distribución con modelos preentrenados de visión y lenguaje
<meta name=description content=Detección OOD post-hoc que respeta la brecha de modalidad en modelos visión-lenguaje: un enfoque eficaz para mejorar la robustez y generalización en tareas multimodales.>
VERA-V: Marco de Inferencia Variacional para Jailbreaking de Modelos de Visión-Lenguaje
<meta name=description content=Descubre VERA-V: inferencia variacional para jailbreaking de modelos visión-lenguaje. Técnica avanzada para atacar VLMs.>
Ver o Complacer: Descubriendo la Sicofanía Visual y las Creencias Divididas en los VLM
<meta name=description content=Analiza el conflicto entre ver y complacer en los VLM. Explora la sicofanía visual y las creencias divididas que moldean su comportamiento.>
SpecPrune-VLA: Acelerando Modelos de Visión-Lenguaje-Acción mediante Poda Auto-Especulativa Consciente de la Acción
<meta name=description content=Acelera modelos VLA con poda auto-especulativa consciente de la acción. Descubre cómo optimizar el rendimiento sin perder precisión. Técnica innovadora para IA robótica.>
VisualOverload: Sondeando la comprensión visual de los VLMs en escenas realmente densas
Analizando la comprensión visual de VLMs en escenas densas. Descubre cómo los modelos de visión-lenguaje interpretan entornos complejos y sus limitaciones.