Mejora de VLMs patológicos mediante razonamiento multiescala
Mejora diagnóstico patológico con VLMs entrenados con razonamiento multiescala. Scale-VQA y ScaleReasoner-R1 superan atajos textuales con rendimiento superior.
#vqa
OmniTraffic: Generación controlable y benchmark para razonamiento de tráfico
OmniTraffic: pipeline y benchmark para razonamiento espacio-temporal. Evalúa 11 MLLMs con 8M VQA, revela brecha humano-modelo. Simulación mejora rendimiento.
Perdidos al final: primacía en QA multimodal con recuperación
Descubre cómo el sesgo de primacía Perdidos al final afecta a los sistemas de QA multimodal con recuperación, donde la información al inicio del contexto
Perdido al final: sesgo de primacía en VQA multimodal
Descubre el sesgo de primacía en VQA multimodal: la información al principio supera al final en hasta 26 puntos. Clave para IA.
OpenMedQ: Preentrenamiento abierto para modelos médicos de visión-lenguaje
OpenMedQ: modelo de VLM médico preentrenado en 14 datasets abiertos logra SOTA en PathVQA y VQA-MED. Supera modelos 80x mayores. Código abierto.
IAPO: Optimización de Políticas con Atribución de Entradas para Agentes Multimodales
IAPO: un algoritmo de RL que mejora la capacidad de llamar a herramientas en agentes multimodales pequeños, logrando un 3% más de precisión en VQA.
IAPO: Optimización con atribución de entrada para agentes multimodales
Aumenta un 3% la precisión en VQA con IAPO, algoritmo RL que alinea la atribución de entrada en agentes multimodales pequeños. ¡Descubre cómo!
MSUE: Experto Multimodal en Comprensión de Fútbol
MSUE combina texto, imagen y video para responder preguntas sobre fútbol con un 95% de precisión. Conoce su arquitectura multi-experto.
Reroute, no eliminar: enrutamiento visual recuperable en VLMs
Descubre cómo Reroute optimiza tokens visuales en VLMs, mejora grounding y mantiene rendimiento VQA. Técnica sin entrenamiento que redirige tokens.
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.
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.
Inferencia colaborativa de borde a servidor para modelos VLM
Descubre cómo la inferencia colaborativa edge-to-server reduce el costo de comunicación en modelos VLM sin sacrificar precisión. Optimiza tu infraestructura con transmisión selectiva.
Agente de IA personal para responder preguntas de tu carrete fotográfico
¿Puede una IA entender tu carrete de fotos? Conoce camroll-agent, un asistente que responde preguntas visuales personales con memoria jerárquica. Dataset de 50 usuarios.
Agente de IA personal para VQA en galería de fotos
Un agente de IA personal responde preguntas visuales sobre tu galería. El dataset Camroll y agente Camroll-Agent con memoria jerárquica.
Un marco de visión-lenguaje para razonamiento comparativo en radiología
MedReCo: un framework que permite a la IA razonar comparativamente entre imágenes radiológicas, mejorando diagnósticos y seguimientos. Resultados clínicos superiores.
Modelo VLM consciente de creencias para razonamiento humanoide
Descubre cómo un modelo VLM consciente de creencias integra memoria y aprendizaje por refuerzo para un razonamiento similar al humano, mejorando tareas de VQA.
R3G: Marco de Razonamiento-Recuperación-Reordenamiento para Respuestas Visuales
R3G: marco de razonamiento-recuperación-reordenamiento para VQA. Mejora la precisión al integrar un plan de razonamiento y recuperación de imágenes en dos etapas.
Hyper-ICL: Destilación Hiperbólica para Aprendizaje Multimodal en Contexto
Descubre Hyper-ICL, un método ligero que elimina la necesidad de demostraciones en ICL multimodal, calibrando la atención con destilación hiperbólica para mejorar precisión y estabilidad.
VISTA: Adaptación con visión y validación física de datos UMI para entrenamiento VLA
Descubre cómo VISTA combina visión y validación física para adaptar datos UMI y entrenar modelos VLA, mejorando el rendimiento en manipulación robótica real.
Destilación de reglas ASP desde LLMs para VQA neurosimbolico
Aprende a destilar reglas de programación lógica desde LLMs para VQA interpretable, con solo pocos ejemplos. Alternativa eficiente al aprendizaje de reglas tradicional.