#multimodal

Modelos fundacionales multimodales en salud: cómo integran datos biológicos para mejorar terapias y atención

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.

26 de abril de 2026

Inteligencia Artificial 5 min lectura

Búsqueda semántica de video con Amazon Nova Multimodal Embeddings

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.

19 de abril de 2026

Machine Learning 6 min lectura

Finetuning multimodal: cómo mejorar la recuperación de documentos visuales

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.

17 de abril de 2026

Inteligencia Artificial 6 min lectura

Modelos multimodales con Sentence Transformers: embebidos y rerankers para texto, imagen, audio y video

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.

11 de abril de 2026

Inteligencia Artificial 6 min lectura

Gemma 4: inteligencia multimodal de frontera lista para correr en dispositivos

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.

3 de abril de 2026

Inteligencia Artificial 6 min lectura

Falcon Perception: un Transformer temprano para detección abierta y segmentación

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.

1 de abril de 2026

Inteligencia Artificial 6 min lectura

Gemini 3.1 Flash Live: la voz de la IA que suena más humana

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.

31 de marzo de 2026