Noticias sobre Multimodal Language Models

El rendimiento casi perfecto de los modelos multimodales en el reconocimiento de imágenes estándar enmascara los defectos esenciales de sus capacidades. Cuando la prueba pasa de una simple comparación visual a la derivación de procesos y la atribución cultural, la precisión del modelo cae drásticamente. Esto muestra que el modelo actual sólo capta la correlación estadística de las características visuales, en lugar de la verdadera capacidad de razonamiento del sentido común intercultural.