Evaluación de sostenibilidad con agentes de IA multimodales
Aprende cómo la IA multimodal automatiza la evaluación de sostenibilidad de dispositivos electrónicos, calculando la huella de carbono en minutos con precisión casi humana.
#multimodal
Hogares Sintéticos: Pipeline IA Generativa Multimodal para Datos de Edificios
Descubre cómo un pipeline de IA generativa multimodal crea datos sintéticos de viviendas a partir de registros públicos, superando la escasez de datos.
De los sentidos a las decisiones: flujo auditivo-visual en MLLMs
Descubre como los modelos multimodales combinan audio y video para decisiones. Las rutas internas de informacion en AVLLMs permiten inferencia eficiente.
Marco unificado multimodal para sistemas financieros inteligentes
Descubre el marco unificado: RL, trading de alta frecuencia y teoría de juegos con análisis multimodal. Mejoras del 31% en predicción y 23% en carteras.
Un Token por Evidencia Multimodal: Memoria Latente para QA con Recursos Escasos
Descubre Latent Memory: comprime evidencia multimodal en un token, reduce hasta 10x el consumo de tokens en QA con recursos limitados. Eficiente y competitivo.
SPACE: Borrado de Conceptos sin Datos en MLLMs
SPACE: primer método de machine unlearning sin datos para MLLMs. Elimina conceptos sensibles preservando el rendimiento del modelo. Descubre cómo.
SD-GRPO: Descomposición verificable de segmentos en VL larga
SD-GRPO mejora la generación de respuestas largas en modelos multimodales al descomponer segmentos verificables y asignar recompensas precisas.
Rotate2Think: cómo la rotación ortogonal mejora el razonamiento de modelos de IA
Rotate2Think mejora el razonamiento de modelos de lenguaje con rotación ortogonal. Aumenta precisión en matemáticas, ciencia y código sin entrenamiento.
Spatial-Omni: Comprensión de audio espacial en LLM multimodales con FOA
Descubre Spatial-Omni, método ligero que integra audio espacial FOA en LLM multimodales, mejorando localización y razonamiento espacial. Supera a modelos existentes.
Más allá de las APIs: los límites de los MLLMs en el uso de herramientas físicas
Descubre cómo los modelos multimodales fallan al identificar y planificar el uso de herramientas físicas reales. Un nuevo benchmark revela sus limitaciones.
Earth-OneVision: Extiende la teledetección multimodal a más sensores
Earth-OneVision unifica 6 sensores (SAR, óptico, infrarrojo) y 9 tareas en un solo modelo de 2B que supera a modelos 4B-72B. ¡Innovación en teledetección!
Spatial-Omni: Comprensión de audio espacial en LLMs con codificación FOA
Spatial-Omni integra audio espacial en LLMs multimodales con codificación FOA. Mejora localización y razonamiento espacial. ¡Descúbrelo!
Personalidades múltiples y cambio dinámico en modelos de visión-lenguaje
Explora cómo los modelos de visión-lenguaje componen y cambian personalidades múltiples dinámicamente, afectando el razonamiento y la descripción de imágenes.
Personalidades múltiples en modelos de visión-lenguaje: conmutación dinámica
Modelos de visión-lenguaje con múltiples personalidades: ¿cómo afecta al rendimiento? Conoce los hallazgos sobre equilibrio y residuales.
Pronóstico grupal Dirichlet para evitar suavizado excesivo en series temporales
El método DGF elimina el suavizado excesivo en pronósticos de series temporales, preservando cambios bruscos y modos dinámicos. Mejora precisión y consistencia.
Pronóstico grupal Dirichlet reduce suavizado excesivo en series temporales
Descubre cómo Dirichlet-Guided Group Forecasting reduce el sobre-suavizado en series temporales, mejorando precisión y diversidad en predicciones multimodales.
MemVenom: Envenenamiento Activado de Memorias Multimodales en Agentes Web
Conoce MemVenom: el ataque que envenena la memoria de los agentes web y amenaza la seguridad de la IA multimodal. ¡Descubre cómo protegerse!
Clasificación multimodal de tumores cerebrales con fusión de características
Modelo de red dual fusiona imágenes MRI con características radiomicas logrando 96.13% de precisión en clasificación de tumores cerebrales. ¡Conoce detalles!
ChartAgent: Agente multimodal para razonamiento visual en gráficos complejos
Descubre ChartAgent, un agente multimodal que razona visualmente sobre gráficos complejos sin depender de textos. Logra hasta un 16% más de precisión.
SynIB: Bottleneck de Información para Sinergia Multimodal
Descubre cómo SynIB mejora la sinergia en aprendizaje multimodal hasta un 7.8% en tareas cross-modal