CardioLens: Brecha clínica de los MLLMs en resonancia cardíaca
Descubre cómo CardioLens revela la brecha entre el rendimiento en benchmarks y la realidad clínica de los MLLMs en resonancia cardíaca multi-secuencia
#multimodal
StemBind: Cuando la IA sabe la regla pero elige mal
¿Sabías que los modelos multimodales aciertan la regla pero fallan en la respuesta? Descubre StemBind, un benchmark que localiza el verdadero cuello de botella en el razonamiento visual abstracto.
DiffCrossGait: Alineación Trayectorial para Reconocimiento de Marcha 2D-3D
DiffCrossGait: alineación de trayectorias para reconocimiento de marcha 2D-3D con difusión latente. Logra rendimiento puntero sin sobrecarga de inferencia.
Comparativa de MLLMs en generación de código para webs interactivas
WebIGBench evalúa MLLMs en generar código de páginas web con interacciones complejas. Descubre los resultados y límites actuales. ¡Lee más!
UF-AMA: marco unificado para reconocimiento multimodal de emociones
Descubre UF-AMA, un marco unificado que integra EEG y eye-tracking para reconocer emociones a través de sujetos y sesiones, logrando rendimiento SOTA.
ProductWebGen: Generación de páginas web de productos multimodales
Descubre ProductWebGen, el nuevo benchmark para generar páginas web de productos con IA multimodal. Comparativa de flujos de edición y modelos unificados.
Destilando programas neuro-simbólicos en LLMs 3D multimodales
Descubre cómo APEIRIA combina la transparencia del razonamiento simbólico con la flexibilidad de los LLMs 3D para mejorar el razonamiento espacial. ¡Lee más!
Conectando Puntos: Evaluando Memoria Reflexiva en Diálogos Largos
Descubre cómo RefMem-Bench y REMIND evalúan y mejoran la memoria reflexiva en diálogos largos, superando la simple recuperación de hechos.
DeepIPCv3: Evitando cruces repentinos de peatones con fusión multimodal
DeepIPCv3 revoluciona la seguridad autónoma: fusión de sensores y eventos para evitar cruces de peatones.
Más allá de la memoria visual: diagnóstico mecanicista
Los tokens latentes en modelos multimodales no almacenan memoria visual. Descubre cómo los marcadores de límite y formato generan las ganancias.
Clasificación de documentos visuales con enfoques multimodales
Descubre cómo los modelos multimodales superan a los LLM en clasificación de documentos visuales. La información visual es clave. Resultados RVL-CDIP.
Orquestación de guardrails con cumplimiento en defensa de disputas de pago
Descubre el sistema de guardrail con scoring que logra 91% de cumplimiento en documentos de disputas de pago, reduciendo costos y latencia.
Desmitificando el acoplamiento geodésico en codiseño biomolecular multimodal
Descubre GeoCoupling: optimiza el acoplamiento temporal entre modalidades biomoleculares para mejor validez y diversidad en diseño de fármacos y proteínas.
Optimización encadenada de modalidades en aprendizaje federado multimodal
Descubre cómo FedMChain optimiza el aprendizaje federado multimodal evitando la competencia entre modalidades y mejorando la precisión con menos comunicación.
Reconstrucción de imágenes: el juego del diálogo multimodal
Un benchmark automatizado donde modelos de lenguaje corrigen generadores de imágenes iterativamente. El descriptor es el factor dominante en la calidad final.
Expertos hiperbólicos y priorizados por evidencia en LVLMs
Descubre AsyMoE: nueva arquitectura para LVLMs que reduce alucinaciones y mejora eficiencia con expertos hiperbólicos y priorización de evidencia.
Benchmark para detección de anomalías guiada por texto: ¿el lenguaje condiciona?
Descubre cómo un nuevo benchmark revela que los modelos de detección de anomalías no son realmente guiados por texto, cuestionando su fiabilidad industrial.
Los LLMs también necesitan codificadores para IDs semánticos
Descubre cómo PrefixMem mejora hasta un 46% la precisión de IDs semánticos en LLMs para recomendación generativa. Optimiza tus modelos.
Más allá de la boca: señales faciales superiores en reconocimiento audiovisual
Las señales del rostro superior mejoran el reconocimiento de frases bajo ruido. Un estudio revela su valor más allá de la boca en sistemas audiovisuales.
TRON: Entornos Verificables en Línea para Razonamiento Visual con RL
TRON genera instancias verificables bajo demanda para entrenar modelos de razonamiento visual con RL, mejorando benchmarks multimodales.