Definition
Los modelos Visión-Lenguaje, a menudo denominados Modelos de Lenguaje Grande Multimodales (MLLM), integran la visión por computadora y el procesamiento de lenguaje natural. Permiten a la IA comprender imágenes y generar texto
Summary
Los modelos Visión-Lenguaje son sistemas de IA que procesan y correlacionan datos visuales con información textual para comprender contextos multimodales.
Key Concepts
- Multimodalidad
- Alineación Transmodal
- Descripción de Imágenes
- Respuesta a Preguntas Visuales
Use Cases
- Generación automática de descripciones de imágenes
- Sistemas de respuesta a preguntas visuales
- Moderación de contenido con contexto