MLUBench: Evaluación del desaprendizaje continuo en MLLMs
MLUBench: benchmark para desaprendizaje continuo en MLLMs. Revela grave degradación acumulativa. LUMoE mitiga el problema preservando la alineación multimodal.
#multimodal
PRISMR: Superando el colapso de parseo en ranking multimodal
El colapso de parseo limita el ranking multimodal. PRISMR usa hiperred y LoRA para internalizar listas, mejorando rendimiento y reduciendo errores. ¡Descúbrelo!
Agentes multimodales para detección de defectos en distribución eléctrica
Evaluamos modelos fundacionales multimodales para detectar defectos en redes eléctricas. Percepción, razonamiento y automatización en un solo marco.
Replanteando la RAG en videos largos: qué recuperar y cómo usarlo
Descubre cómo V-RAGBench y CARVE revolucionan la recuperación en videos largos, combinando múltiples modalidades y granularidades. Mejora la precisión de tu RAG.
UXBench: Evaluación de la experiencia de usuario con modelos multimodales
Descubre UXBench, un nuevo benchmark con 2000 muestras para evaluar el razonamiento UX en modelos multimodales. UI-UX alcanza un 79.63% de precisión.
Brick: Enrutamiento por Capacidad Espacial para Mezcla-de-Modelos
Ahorra hasta 22x en costes cloud con Brick, el router multimodal que enruta cada consulta al modelo ideal. Precisión del 76.98%.
MOSAIC: aprendizaje continuo para evaluar el Parkinson con sensores
Descubre MOSAIC, un framework de aprendizaje continuo que supera los desafíos de nuevos sensores en la evaluación del Parkinson.
IterCAD: Un Agente Multimodal Iterativo para Generación y Edición de CAD
Descubre IterCAD, un agente multimodal que revoluciona la generación y edición de CAD con cierre de bucle, precisión geométrica y ejecución de código.
IterCAD: Un Agente Multimodal Iterativo para Generación y Edición de CAD
Descubre IterCAD, un agente multimodal que revoluciona la generación y edición de CAD con IA iterativa. Benchmark y precisión sin sesgo.
MiniMax Sparse Attention: eficiencia en contexto largo
Descubre cómo MiniMax Sparse Attention (MSA) reduce 28.4 veces el cómputo de atención en contextos de 1M tokens, logrando aceleraciones de hasta 14.2x en prefill y 7.6x en decoding en GPUs H800.
MiniMax Sparse Attention: Eficiencia en Contextos Largos
Atención dispersa para contextos de 1M tokens: MiniMax Sparse Attention reduce cómputo 28x y acelera prefill 14x y decoding 7x en GPUs H800.
Diseños Flexibles Emergentes para Modelos Multimodales Geoespaciales
Comparativa de arquitecturas flexibles para modelos multimodales geoespaciales. Analizamos trade-offs en flexibilidad, alineamiento y rendimiento en clasificación y segmentación.
M*: Sistema universal y eficiente para modelos multimodales
Descubre M*, el sistema de serving que reduce la latencia hasta un 20% en modelos multimodales, superando a vLLM-Omni. Ideal para arquitecturas compuestas de IA.
DIMOS: Segmentación de objetos en movimiento con eventos y cámaras
Descubre DIMOS, el nuevo método que combina eventos e imágenes para segmentar objetos en movimiento con gran precisión, incluso en baja luz y movimiento rápido.
Superando el aislamiento modal en el pensamiento intercalado
Aislamiento modal en razonamiento intercalado reduce coherencia. MoTiF supervisa transiciones con refuerzo paso a paso para mejorar precisión en tareas.
scLLM-DSC: Clustering multimodal con LLM para ARN-seq unicelular
scLLM-DSC: un novedoso marco de clustering multimodal que aprovecha grandes modelos de lenguaje para mejorar la precisión en el análisis de células individuales.
CausalMoE: modelo fundacional multimodal para causalidad de Granger
CausalMoE, un modelo multimodal, revoluciona la detección causal de Granger usando expertos heterogéneos y patrones temporales, integrando LLMs y VLMs.
scLLM-DSC: Agrupamiento Estructural Profundo Multimodal con LLM para scRNA-seq
scLLM-DSC mejora el clustering de scRNA-seq integrando conocimiento de LLM y supera 11 métodos. Conoce este avance en bioinformática.
CausalMoE: Modelo fundacional multimodal para causalidad Granger
Descubre CausalMoE, el primer modelo fundacional multimodal que integra LLMs y VLMs para descubrimiento causal Granger preciso en series temporales complejas.
ReFoCUS: Selección de Fotogramas con Refuerzo para Comprensión Contextual
Descubre cómo ReFoCUS utiliza aprendizaje por refuerzo para seleccionar fotogramas clave en video, mejorando la precisión en tareas de comprensión contextual.