La diversidad importa: cómputo en tiempo de prueba en VLM
Descubre cómo la diversidad de predicciones mejora el razonamiento en VLM. El nuevo método ETTC supera a la votación mayoritaria y a modelos individuales.
#visión-lenguaje
Claves arquitectónicas para reducir alucinaciones en LVLM
Descubre qué factores arquitectónicos (lingüística, visión y alineación) reducen las alucinaciones en LVLM según el estudio CoSimUE. Mejora la fiabilidad de tus modelos.
Adaptador Variacional para Representación de Similitud Multimodal
Descubre cómo el Adaptador Variacional mejora la similitud multimodal resolviendo falsos negativos y potenciando la generalización en modelos de visión-lenguaje
Colapso de plantillas en informes de TC 3D: medición y mitigación
El colapso de plantillas limita la detección de hallazgos críticos en TC 3D. Conoce CLarGen, el método que separa detección de síntesis para informes más precisos.
Descripción multilingüe de arte guiada por curadores para ciegos con modelos pequeños
Estudio piloto usa modelos pequeños de visión-lenguaje para descripciones de arte multilingües guiadas por curadores, mejorando la accesibilidad para ciegos.
FOCUS: Cómo localizar objetos en contexto sin supervisión de categorías
Aprende cómo FOCUS localiza objetos en contexto sin supervisión de categorías, usando apoyo visual y optimización por refuerzo. Supera modelos de hasta 72B parámetros.
Detección de colisiones en modelos visión-lenguaje para colaboración segura robot-humano
Descubre cómo los modelos de visión-lenguaje fallan en detectar colisiones robot-humano. TouchSafeBench revela sus limitaciones en seguridad.
Más allá de la clasificación: enrutamiento dinámico en recuperación multimodal
Descubre cómo el enrutamiento dinámico de adaptadores mejora la recuperación multimodal continua, superando métodos tradicionales. Ideal para IA y visión.
CrystalXRD-Bench: Evaluación de modelos de visión-lenguaje para la indexación de picos de XRD en diversos materiales cristalinos
<meta name=description content=Evaluación de modelos de visión-lenguaje para la indexación de picos XRD. Descubre los resultados y su precisión en el análisis de difracción de rayos X.>
VLA-Trace: Diagnosticando Modelos de Visión-Lenguaje-Acción a través del Rastreo de Representaciones y Comportamientos
<meta name=description content=Diagnóstico de Modelos VLA mediante Rastreo de Representaciones y Comportamientos>
Pequeño pero Confiable: Razonamiento eficiente de visión-lenguaje para detección de anomalías en series temporales
Aprende cómo un modelo pequeño pero confiable detecta anomalías en series temporales usando visión y lenguaje. Eficiencia y precisión.
Evaluación comparativa de modelos grandes de visión-lenguaje en CFMME: Un conjunto de datos completo de evaluación multimodal financiera china
Comparativa de modelos visión-lenguaje en CFMME, dataset multimodal financiero chino. Análisis de rendimiento y aplicaciones en finanzas.
OccamToken: Inferencia eficiente de VLM con poda de tokens sin entrenamiento y adaptativa al presupuesto
OccamToken: poda de tokens sin entrenamiento y adaptativa al presupuesto para VLM. Reduce costos computacionales manteniendo precisión.
AsymVLM: Poda Asimétrica de Tokens para Inferencia Eficiente de Modelos de Visión y Lenguaje
Poda asimétrica de tokens para inferencia eficiente en VLM. Acelera modelos de visión-lenguaje sin sacrificar precisión. Técnica optimizada.
Revelando el cuello de botella del conteo visual en modelos de visión-lenguaje
Análisis del cuello de botella del conteo visual en modelos de visión-lenguaje: limitaciones actuales y perspectivas para mejorar la precisión en tareas numéricas.
Regularización de Representación Contrastiva para Modelos de Visión-Lenguaje-Acción
Regularización contrastiva para modelos de visión, lenguaje y acción. Técnica clave en aprendizaje multimodal que mejora el rendimiento y la robustez de sistemas robóticos y de IA.