Razonamiento óptico: imágenes como medio expresivo de razonamiento
El razonamiento óptico usa imágenes como medio de razonamiento, superando al texto en eficiencia y reduciendo tokens un 28% en tareas de IA.
#multimodal
Hypnos: representaciones del sueño con predicción del siguiente token
Hypnos: modelo fundacional multimodal que predice el siguiente token en señales fisiológicas, supera modelos existentes y requiere 100x menos datos etiquetados.
Selección Intrínseca y Remuestreo para Escalado en Inferencia sin Verificación
Descubre cómo la selección intrínseca y el remuestreo de partículas mejoran el escalado en tiempo de inferencia sin necesidad de verificación externa, logrando
SpatialWorld: Nuevo benchmark para razonamiento espacial interactivo
SpatialWorld es un benchmark unificado que evalúa el razonamiento espacial interactivo de modelos multimodales. GPT-5 solo logra un 17% de éxito. Descubre los desafíos.
mllm-shap: Explicabilidad con Shapley para modelos multimodales texto-audio
Descubre mllm-shap, el primer framework open-source que explica decisiones de modelos multimodales texto-audio usando valores Shapley. ¡Explora su interfaz!
Análisis XAI: conectando explicabilidad tradicional y modelos multimodales
Descubre cómo los valores de Shapley explican modelos multimodales multilingües. Un análisis XAI innovador para mejorar la transparencia en IA.
DIYHealth Suite: dataset, modelo y benchmark para salud en casa
Descubre DIYHealth Suite: dataset multimodal, modelo adaptativo y benchmark para gestión de salud en casa con IA generativa. Ideal para cuidado personalizado.
Reconocimiento grupal de emociones multimodal y respetuoso con la privacidad
Descubre cómo la IA reconoce emociones grupales sin invadir la privacidad individual. Un enfoque multimodal con audio y video para análisis ético.
Análisis mecanicista del ajuste adversarial en Vision Transformers
Estudio mecanicista del ajuste adversarial en Vision Transformers: efecto en robustez, atención y representaciones.
¿Confías en lo que ves? Humanos vs IA en evidencia legal sintética
¿Puedes distinguir una foto real de una generada por IA? Un estudio revela que ni humanos ni modelos avanzados son fiables. Descubre por qué.
Sistema de diagnóstico y tratamiento visual con LLM basado en evidencia
Explora el sistema de diagnóstico visual con LLM basado en evidencia: interacción multironda, tratamiento multimodal y mayor transparencia en medicina china.
Enseñar el método, no la respuesta: Destilación privilegiada multimodal
Descubre cómo PTD-PO optimiza políticas multimodales sin revelar respuestas, mejorando el razonamiento complejo.
Localización de eventos audiovisuales con grafos heterogéneos jerárquicos
Nuevo método HSCHG mejora la localización de eventos audiovisuales usando grafos heterogéneos jerárquicos con restricciones semánticas.
MMBU: Benchmark masivo multimodal biomédico para modelos visión-lenguaje
Descubre MMBU, el mayor benchmark biomédico multimodal que evalúa la percepción de modelos de IA en 35 submodalidades. ¿Qué tan precisos son los VLMs?
HybridCodec: Codec Neural de Doble Flujo con Semántica Mejorada
HybridCodec unifica dos paradigmas para codecs de audio: separa semántica y acústica con doble flujo, logrando 3x más velocidad y robustez en entornos multi-idioma.
EgoPressDiff: Difusión de Video Multimodal para Presión Manual
Descubre EgoPressDiff, un marco de difusión multimodal que estima presión manual con un 34% más de precisión, ideal para AR/VR.
ViSSRes: residuo espacio-temporal contra alucinaciones en video
Descubre ViSSRes, un método innovador que reduce las alucinaciones en modelos de video grandes usando residuos espacio-temporales. Mejora la comprensión hasta u
TokaMind: modelo fundacional multimodal para dinámica de plasma en tokamaks
Descubre TokaMind, el primer modelo fundacional multimodal para dinámica de plasma en tokamaks. ¡Código abierto y supera benchmarks!
OGA-AID: Asistente IA para análisis de marcha post-ictus
Descubre OGA-AID, asistente IA con supervisión clínica para análisis de marcha post-ictus, mejorando precisión y reduciendo carga cognitiva.
MCERF: Evaluación multimodal de LLM con recuperación mejorada para ingeniería
MCERF logra un +41% de precisión en evaluación de documentos de ingeniería con recuperación multimodal. Descubre el nuevo marco.