PhotoCraft: Razonamiento Agentivo con Memoria Jerárquica para Búsqueda Visual
Descubre PhotoCraft, un sistema de memoria jerárquica que potencia la búsqueda de imágenes con razonamiento agentivo, logrando mejoras de 18.5% en precisión.
#multimodal
BotDirector: Narración de robots en realidad simétrica
Descubre cómo BotDirector combina robots, IA y objetos cotidianos para que los niños creen sus propias historias interactivas. ¡Una forma innovadora de contar cuentos!
VistaHop: Evaluando razonamiento multi-salto para Visual DeepSearch
Descubre VistaHop, el benchmark que evalúa el razonamiento visual multi-salto. Solo el 24% de aciertos revela grandes desafíos para la IA.
Red Neuronal de Grafos Multimodal para Clasificación de Alzheimer Preclínico
Red neuronal de grafos multimodal con difusión guiada por Transformer mejora la clasificación del Alzheimer preclínico mediante regiones cerebrales clave.
BilliardPhys-Bench: evaluando el razonamiento físico de los LLM multimodales
BilliardPhys-Bench expone los límites de los LLM multimodales en razonamiento físico, revelando el 'sesgo de estasis' en predicciones de billar sintético.
Vectores funcionales multimodales para relaciones visuales
Descubre cómo los vectores de función multimodal permiten extraer y optimizar relaciones visuales en modelos de IA, mejorando el razonamiento sin necesidad de reentrenar.
PolarMem: Memoria latente polarizada sin entrenamiento para VLMs verificables
PolarMem: sistema de memoria gráfica polarizada sin entrenamiento que verifica y reduce contradicciones en modelos de visión-lenguaje para un razonamiento multimodal confiable.
FeynmanBench: El reto de los LLMs multimodales con diagramas de Feynman
FeynmanBench: 2000+ diagramas evalúan 19 LLMs. 70-95% en reconocimiento local, pero 13-17% en topología. Descubre las limitaciones.
UI-in-the-Loop: el paradigma que une pantalla y acción en GUIs
Descubre UI-in-the-Loop (UILoop), nuevo paradigma que permite razonar sobre GUIs de forma interpretable, mejorando comprensión y acción.
Revisión y evaluación de avances en inteligencia 3D multimodal
Descubre los últimos avances y métodos en inteligencia 3D multimodal. Revisión exhaustiva de benchmarks y desafíos clave para la conducción autónoma y simulación.
Qwen3.7-Plus de Alibaba: multimodal a bajo costo, pero propietario
Nuevo modelo multimodal de Alibaba, Qwen3.7-Plus, a bajo costo pero propietario. Analizamos su rendimiento, precios y licencia.
Encuesta sobre Reconstrucción 3D con Cámaras de Eventos
Descubre cómo las cámaras de eventos permiten la reconstrucción 3D en condiciones extremas. Encuesta completa de técnicas, datasets y desafíos.
v-HUB: benchmark de humor en video con visión y sonido
Descubre v-HUB, el nuevo benchmark para evaluar cómo los modelos multimodales entienden el humor en videos. ¿Puede la IA captar la comedia visual y sonora?
CARES: Selector de Resolución Consciente del Contexto para VLMs
CARES es un módulo ligero que selecciona la resolución mínima para VLMs, reduciendo el cómputo hasta un 80% sin perder precisión. Optimiza tus modelos.
Efectos de los distractores en modelos de razonamiento visual-lingüístico
Los distractores visuales afectan a los modelos visión-lenguaje de forma distinta a los textuales: reducen precisión sin alargar el razonamiento. Aprende a mitigarlos.
R3-CoVR: marco zero-shot de razonamiento para videos compuestos
Descubre R3-CoVR, un marco zero-shot sin entrenamiento que alcanza 91.9% R@1 en recuperación de videos compuestos mediante razonamiento multimodal y reordenamiento.
Alineación de características determina estrategia de fusión multimodal
La alineación de características, no el tamaño de datos, determina la fusión: cross-attention vs concatenación. Estudio con CLIP y ResNet.
PaCX-MAE: Fusión de rayos X y fisiología en IA médica
PaCX-MAE mejora el diagnóstico de rayos X integrando datos fisiológicos (ECG, laboratorio) sin requerirlos en inferencia. Logra +2.7 AUROC y +6.5 F1 con solo 1% de datos.
Traducción consciente de densidad de correlaciones espurias en VLMs
Descubre cómo DAT corrige correlaciones espurias en VLMs zero-shot usando densidad local para mejorar precisión sin ajuste fino.
Descubrimiento automatizado con modelos generativos en diseño de materiales
Explora la revisión de modelos generativos, aprendizaje multimodal y bucles cerrados para el descubrimiento automatizado de materiales en diseño inverso.