AgroOmni: Dataset Agrícola Multivista para Razonamiento Multimodal
Descubre AgroOmni, el dataset multivista con 288K pares VQA que elimina sesgos en la percepción agrícola de IA y logra un 62% en el benchmark AgMind.
#razonamiento multimodal
Estabilizando destilación on-policy para razonamiento MLLM
Descubre cómo la normalización global estabiliza la destilación on-policy en modelos multimodales, mejorando el razonamiento y evitando explosiones de gradiente.
Enseñar el método, no la respuesta: Destilación privilegiada multimodal
Descubre cómo PTD-PO optimiza políticas multimodales sin revelar respuestas, mejorando el razonamiento complejo.
AutoTool: Selección Dinámica de Herramientas para Razonamiento de Agentes
Descubre AutoTool, un framework que permite a los modelos de lenguaje seleccionar herramientas dinámicamente, mejorando razonamiento matemático, código y multimodal hasta un 7.7%.
MCBench: Benchmark de seguridad multicontexto para LLMs Omni
Descubre MCBench, el primer benchmark multicontexto que evalúa la seguridad de modelos de lenguaje omni (visión, audio y texto). Revela sus limitaciones en razonamiento multimodal.
DisasterBench: Benchmark multimodal para respuesta UAV en desastres complejos
Descubre DisasterBench, el benchmark multimodal que evalúa el razonamiento en desastres con UAV. DisasterVL, modelo ligero, supera a GPT-4o en precisión y eficiencia.
VAMPS: Benchmark de resolución matemática con gráficos
Descubre VAMPS, un benchmark que revela por qué los modelos de IA rinden mejor sin herramientas visuales al resolver problemas matemáticos. Resultados sorprendentes.
Evaluando la fidelidad del razonamiento en generación visual de texto
¿Los modelos de texto a imagen realmente razonan o solo imitan? Analizamos la fidelidad del razonamiento en generación visual de texto y sus fallos semánticos.
CP-Agent: Razonamiento multimodal contextual para fenotipado celular
CP-Agent: IA multimodal que interpreta morfología celular bajo fármacos, acelerando descubrimiento con reportes contextuales.
MemVerse: Memoria Multimodal para Agentes de Aprendizaje Continuo
Descubre MemVerse, el marco de memoria multimodal que permite a los agentes de IA recordar, adaptarse y razonar sin olvido catastrófico. ¡Mejora el aprendizaje continuo!
MUSE: Un arnés agéntico unificado para MLLMs
Potencia MLLMs con MUSE, un arnés agéntico unificado que mejora tareas complejas sin reentrenar, usando verificación y reparación guiada.
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.
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.
Interacción de modalidades en MLLMs: descomposición parcial
Entiende cómo la PID descompone la interacción entre modalidades en MLLMs, identificando sinergia y redundancia. Clave para mejorar razonamiento y grounding en IA.
FAM-Bench: benchmark multimodal para alimentación como medicina
Descubre FAM-Bench, el benchmark multimodal que evalúa si la IA recomienda platos según condiciones de salud. 2500 casos verificados por expertos.