LASER: SVD consciente de pérdida y asignación de rango para modelos VL
Descubre cómo LASER logra una aceleración 2.3x en modelos visión-lenguaje con baja precisión, usando SVD consciente de pérdida y asignación de rango.
#visión-lenguaje
Riesgo de vinculación cruzada en modelos clínicos de visión-lenguaje
Los modelos de IA clínica pueden reidentificar pacientes al vincular radiografías con informes. Descubre cómo la privacidad diferencial reduce este riesgo.
MASER: Enrutamiento Adaptativo de Modalidades para IA Espacial 3D
MASER: un framework que selecciona la mejor modalidad para responder preguntas espaciales 3D con alta precisión. Basado en Open3D-VQA.
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.
De videos humanos a manipulación robótica: aprendizaje VLA escalable
Descubre cómo los videos humanos entrenan robots con modelos VLA escalables. Encuesta sobre aprendizaje robótico con datos humanos.
Más allá de texto:ComProScanner integra visión-lenguaje para figuras científicas
Descubre cómo ComProScanner extrae datos de materiales de figuras científicas con precisión del 97%. Automatiza tu investigación.
Destilación guiada por ruido visual para desaprender modelos multimodales
Descubre cómo VGID usa ruido visual y destilación para eliminar conocimiento no deseado en modelos multimodales sin perder rendimiento.
Razonamiento Continuo para Visión-Lenguaje-Acción
Descubre cómo el razonamiento continuo mejora las políticas VLA en robótica, con un 40% más de éxito en tareas. Un nuevo lenguaje interno compartido y verificable.
3DCodeBench: Nuevo benchmark para modelado 3D procedural con IA
Descubre 3DCodeBench, el benchmark que evalúa agentes de IA en modelado 3D procedural vía código. Resultados, fallos comunes y mejoras con escalado en tiempo de prueba.
Límites de la reducción de tokens en entrenamiento visión-lenguaje unificado
¿Cómo acelerar el entrenamiento VLM sin perder sinergia? Descubre la asimetría en atención y los límites de la reducción de tokens. Estrategias clave.
STaR-KV: Compresión de caché KV en modelos de lenguaje visual para GUI
STaR-KV comprime la caché KV en modelos GUI sin entrenamiento, reduciendo memoria GPU un 40% sin penalizar precisión. Descubre cómo.
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.
MMG2Skill: Agentes aprenden habilidades de guías web
Descubre cómo MMG2Skill convierte guías web en habilidades ejecutables para agentes IA, mejorando su rendimiento hasta un 25% en múltiples dominios.
Zamba2-VL: Modelos de visión-lenguaje híbridos eficientes
Descubre Zamba2-VL, modelos de visión-lenguaje basados en Mamba2 que ofrecen rendimiento competitivo con un orden de magnitud menor en tiempo de respuesta. Ideal para edge.
PaCo-VLA: Prior de Cumplimiento con Escudo de Pasividad para Manipulación de Contacto
PaCo-VLA introduce un prior de cumplimiento con escudo de pasividad para manipulación robótica de contacto, asegurando cero violaciones incluso bajo cambios adversos.
Benchmarks confiables y negociados para VLM en percepción urbana
Benchmarks de VLM en percepción urbana: confiabilidad y negociación. Estudio en Montreal muestra impacto de fiabilidad humana.
Ver no es saber: cuándo los VLMs deberían abstenerse
¿Los VLMs saben cuándo abstenerse? Un estudio revela que fallan en preguntas espaciales con oclusión o ambigüedad, respondiendo con exceso de confianza. Descubre por qué.
Modelo eficiente de visión-lenguaje para informes patológicos sinópticos
Genera informes patológicos sinópticos con un modelo eficiente que solo requiere media GPU H100. Resultados precisos.
Calibración de atención cross-modal para reducir alucinaciones en LVLM
CMAC: un método sin entrenamiento que calibra la atención cross-modal para mitigar alucinaciones en LVLMs. Corrige sesgos y mejora la consistencia visual-textual.
BOKBO: Abstención Calibrada para Políticas de Visión-Lenguaje-Acción
Descubre BOKBO, un método de abstención calibrada que garantiza seguridad en políticas VLA. Reduce violaciones y mejora el éxito de tareas robóticas.