LLaMA-VID: Una Imagen Vale 2 Tokens -- Comprensión Eficiente de Videos Largos con LLMs
LLaMA-VID es un proyecto de investigación de ECCV 2024 que aborda el cuello de botella fundamental en la comprensión de video con LLMs: la …
Tags
Multimodal
LAVIS: Biblioteca de IA de Lenguaje Visual de Salesforce
La IA de lenguaje visual (modelos que entienden tanto imágenes como texto) es una de las áreas de la inteligencia artificial que avanza más …
InternVL: Familia de Modelos de Lenguaje Visual de Codigo Abierto que Escala a 241B Parametros
InternVL es una serie de modelos fundacionales de lenguaje visual de codigo abierto desarrollados por OpenGVLab en el Laboratorio de Inteligencia …
GLM-4.5: El Modelo Fundacional Multimodal de Proxima Generacion de Zhipu AI
La evolucion de los modelos fundacionales en 2025-2026 ha sido definida por dos tendencias: la multimodalidad y la eficiencia. Los modelos que …
GEMS: General Multimodal Sensing Framework
The real world does not present information in a single modality. We experience it through vision, language, audio, and physical sensation …
¿Es la IA de Meta demasiado inteligente? Un análisis profundo de la ambición de
Introducción: Cuando la IA comienza a “ver” y “pensar” Estamos en un punto de inflexión. Muse Spark AI, la última …