modelos multimodales
Todas las noticias con este tag.
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 2 nov 2026, 2:00 p. m. | 0 |
| 2 nov 2026, 3:00 p. m. | 0 |
| 2 nov 2026, 4:00 p. m. | 0 |
| 2 nov 2026, 5:00 p. m. | 0 |
| 2 nov 2026, 6:00 p. m. | 0 |
| 2 nov 2026, 7:00 p. m. | 0 |
| 2 nov 2026, 8:00 p. m. | 0 |
| 2 nov 2026, 9:00 p. m. | 0 |
| 2 nov 2026, 10:00 p. m. | 0 |
| 2 nov 2026, 11:00 p. m. | 0 |
| 3 nov 2026, 12:00 a. m. | 0 |
| 3 nov 2026, 1:00 a. m. | 0 |
| 3 nov 2026, 2:00 a. m. | 2 |
| 3 nov 2026, 3:00 a. m. | 0 |
| 3 nov 2026, 4:00 a. m. | 0 |
| 3 nov 2026, 5:00 a. m. | 0 |
| 3 nov 2026, 6:00 a. m. | 0 |
| 3 nov 2026, 7:00 a. m. | 0 |
| 3 nov 2026, 8:00 a. m. | 0 |
| 3 nov 2026, 9:00 a. m. | 0 |
| 3 nov 2026, 10:00 a. m. | 0 |
| 3 nov 2026, 11:00 a. m. | 0 |
| 3 nov 2026, 12:00 p. m. | 0 |
| 3 nov 2026, 1:00 p. m. | 0 |
| 3 nov 2026, 2:00 p. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-05 | 0 |
| 2026-10-06 | 0 |
| 2026-10-07 | 0 |
| 2026-10-08 | 0 |
| 2026-10-09 | 0 |
| 2026-10-10 | 0 |
| 2026-10-11 | 0 |
| 2026-10-12 | 0 |
| 2026-10-13 | 0 |
| 2026-10-14 | 0 |
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 1 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 2 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de modelos multimodales
8 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIAdaptación Regional Antropogénica en Modelos Multimodales Visión-Lenguaje
Se presenta la Adaptación Regional Antropogénica, un nuevo paradigma para optimizar la relevancia de los modelos visión-lenguaje a contextos regionales específicos manteniendo la generalización global. Se introduce el método GG-EZ, que utiliza filtrado de datos regionales y fusión de modelos para lograr esto. Los experimentos en Asia Sudoriental mostraron ganancias del 5 al 15% en relevancia cultural sin perder la mayor parte del rendimiento global.
Noticia originalMezcla de capas: Enrutamiento de capas dinámico para el razonamiento visual
Se propone Mixture of Layers (MoL), un enfoque de enrutamiento de capas condicionado por instrucciones a nivel de parche para agregar dinámicamente representaciones latentes de capas intermedias del codificador de visión. Este método busca mejorar el acceso a características visuales específicas para el razonamiento visual de grano fino en Modelos de Lenguaje Grande Multimodales (MLLMs). Los experimentos muestran mejoras significativas en tareas de razonamiento visual, superando a los MLLMs de referencia sin aumentar la complejidad de la entrada.
Noticia original
Hugging Face BlogLiquid AI presenta LFM3, una familia de modelos multimodales especializados de 2B parámetros
Liquid AI presentó LFM3, su nueva generación de modelos fundacionales que unifica texto, visión, audio, omni y decisión en una columna vertebral compartida de unos 2B parámetros. La familia incluye seis modelos entrenados desde LFM3-1.7B-Base, con nuevos codificadores propios de visión y audio y el tokenizador LiquidCodec, pensados para ejecutarse en el borde y ajustarse en una sola GPU. La compañía afirma mejoras de eficiencia y rendimiento frente a LFM2 y modelos mayores, y publicó los pesos en Hugging Face junto con cuadernos de ajuste.
Noticia originalMeta lanza Muse Glimmer, un modelo multimodal y agéntico de código abierto para uso local
Meta lanzó Muse Glimmer, un modelo multimodal de 30B parámetros (codificador visual de 2B y decodificador de texto de 28B) bajo licencia Apache 2.0, pensado para uso agéntico local y aplicaciones que priorizan la privacidad. El modelo llega con soporte day-0 en transformers, llama.cpp, vLLM e Inference Endpoints, además de un borrador de decodificación especulativa DFlash para acelerar la generación. La publicación, difundida desde el blog de Hugging Face, incluye benchmarks frente a Gemma4-31B y Qwen3.6-27B, demos de auto-cuantización, auto-despliegue y autooptimización, y guías de fine-tuning con TRL.
Noticia originalNVIDIA presenta Nemotron 3 Nano Omni, un modelo multimodal de contexto largo para documentos, audio y video
NVIDIA presentó Nemotron 3 Nano Omni, un modelo omni-modal de pesos abiertos orientado al análisis de documentos, el reconocimiento automático de voz, la comprensión de audio y video de larga duración y el uso agéntico de la computadora. Según la compañía, el modelo lidera benchmarks de documentos, video y audio como MMLongBench-Doc, WorldSense, DailyOmni y VoiceBench, y ofrece hasta 9 veces más rendimiento y 2,9 veces la velocidad de razonamiento de flujo único frente a alternativas. Los checkpoints BF16, FP8 y NVFP4 están disponibles en Hugging Face junto con un informe técnico.
Noticia originalCómo entrenar y ajustar modelos multimodales de embedding y reranking con Sentence Transformers
El artículo técnico de Tom Aarsen explica cómo entrenar y ajustar finamente modelos multimodales de embedding y reranker con la biblioteca Sentence Transformers, usando como caso práctico la recuperación de documentos visuales. El ajuste fino del modelo Qwen3-VL-Embedding-2B sobre datos de dominio elevó el NDCG@10 de 0.888 a 0.947, superando a modelos hasta cuatro veces más grandes. El texto detalla componentes del pipeline, funciones de pérdida como CachedMultipleNegativesRankingLoss y MatryoshkaLoss, y el entrenamiento de rerankers multimodales.
Noticia originalGoogle DeepMind lanza Gemma 4, su familia de modelos multimodales abiertos con soporte de audio y despliegue en dispositivo
Google DeepMind lanzó Gemma 4, su nueva familia de modelos multimodales abiertos bajo licencia Apache 2, disponibles en Hugging Face con soporte para transformers, llama.cpp, MLX, WebGPU y Rust. La familia incluye cinco tamaños (E2B, E4B, 12B Unified, 31B y 26B A4B) con ventanas de contexto de hasta 256K y capacidad de procesar imagen, texto y audio, pensados para despliegue en dispositivo. También se presentó DiffusionGemma, un modelo que genera texto por difusión con velocidades superiores a 1100 tokens por segundo, y borradores de predicción multi-token que aceleran la inferencia hasta tres veces.
Noticia originalSmolVLM2: llevar la comprensión de video a todos los dispositivos
Hugging Face lanzó SmolVLM2, una familia de modelos multimodales de 2.2B, 500M y 256M parámetros capaces de comprender video e imágenes en dispositivos locales, desde teléfonos hasta servidores. El modelo de 2.2B supera a otros modelos de su rango en el benchmark Video-MME, mientras que las variantes de 500M y 256M son los modelos de lenguaje para video más pequeños publicados hasta la fecha. La compañía presentó demos como una app de iPhone, una integración con VLC y un generador de momentos destacados, y liberó el uso con Transformers y MLX desde el primer día.
Noticia original