PULSO AI · Nueva plataforma impulsada por TD
Este artículo describe cómo montar un asistente multimodal en WhatsApp que procesa texto, notas de voz y llamadas con Amazon Bedrock AgentCore y las familias Nova 2. Explica la arquitectura, los componentes clave y consideraciones prácticas para empresas en Latinoamérica.
NeoMME es una familia de encoders multimodales de 260M y 800M parámetros que procesa texto y parches de imagen en un único Transformer bidireccional. Entrenado desde cero con un objetivo de difusión discreta enmascarada, ofrece altas tasas de recuperación y eficiencia en almacenamiento.
Las bases de datos vectoriales son esenciales para aplicaciones modernas de IA que combinan texto, imágenes y otros medios. LanceDB es una opción open source diseñada para cargas de trabajo multimodales, con índices, versionado y compatibilidad con almacenamiento en la nube.
Thinking Machines presentó Inkling, un foundation model multimodal de pesos abiertos con 975B parámetros y contexto de hasta 1 millón de tokens. Diseñado para ser personalizado, apunta a casos de uso como razonamiento multimodal, agentes, código y afinamiento por dominio.
Google DeepMind lanza la familia Gemma 4 en Amazon Bedrock bajo licencia Apache 2.0. Los modelos combinan eficiencia por parámetro, multimodalidad y modos de razonamiento, y Bedrock facilita su uso en entornos con requisitos de seguridad y cumplimiento.
Nemotron 3.5 reúne entrada multimodal, soporte multilingüe, aplicación de políticas personalizadas y trazas de razonamiento en una sola inferencia. El lanzamiento incluye además el conjunto de datos de seguridad usado para entrenar el modelo.
Nemotron 3 Nano Omni extiende la línea Nemotron hacia un modelo que integra texto, imagen, audio y video para análisis documental, reconocimiento de voz y entendimiento de largo alcance. Ofrece mejoras de precisión y eficiencia en tareas complejas y casos de uso agentivos.
Los modelos fundacionales biológicos multimodales (BioFMs) combinan múltiples tipos de datos —secuencias, imágenes, notas clínicas y estructuras 3D— para ofrecer diagnósticos más precisos y acelerar el desarrollo de fármacos. AWS proporciona un entorno unificado para entrenar, escalar y desplegar estos modelos en la práctica clínica y de investigación.
La búsqueda semántica en video permite encontrar momentos concretos combinando señales visuales, audio y texto. Este artículo explica una arquitectura basada en Amazon Nova Multimodal Embeddings y servicios AWS para obtener resultados más precisos y eficientes.
Los modelos multimodales generales rinden bien en tareas diversas, pero no siempre son óptimos para casos específicos como la recuperación de páginas de documentos. Aquí explico cómo entrenar y afinar modelos multimodales en Sentence Transformers y muestro un ejemplo práctico con mejoras claras en VDR.
Sentence Transformers v5.4 añade soporte multimodal: texto, imágenes, audio y video comparten un mismo espacio de embeddings. En este artículo explico cómo instalar, cargar modelos, calcular similitudes cruzadas y usar rerankers multimodales con ejemplos y consideraciones prácticas para equipos en Latinoamérica.
Google DeepMind liberó Gemma 4 en Hugging Face como una familia de modelos multimodales con licencia Apache 2, tamaños que permiten despliegue en dispositivos y compatibilidad con múltiples herramientas de la comunidad. Esta generación prioriza eficiencia, contexto largo y soporte para texto, imagen y audio.
Falcon Perception presenta un enfoque early-fusion que procesa parches de imagen y texto en una sola secuencia usando una máscara de atención híbrida y una interfaz de salida compacta. El diseño logra mejores métricas en tareas abiertas y simplifica arquitecturas modulares tradicionales.
Google presenta Gemini 3.1 Flash Live, una versión enfocada en interacción por voz en tiempo real con baja latencia, control conversacional mejorado y soporte multimodal. Su objetivo es servir como infraestructura para agentes en vivo capaces de escuchar, responder y actuar.
