La plataforma de desarrollo de IA Hugging Face ha anunciado el lanzamiento de lo que afirman ser los modelos de inteligencia artificial más pequeños capaces de analizar simultáneamente imágenes, videos cortos y texto, según informa TechCrunch.
Modelos compactos para dispositivos con recursos limitados
Los nuevos modelos, denominados SmolVLM-256M y SmolVLM-500M, han sido específicamente diseñados para funcionar en dispositivos con recursos computacionales limitados, como ordenadores portátiles que disponen de menos de 1GB de memoria RAM. Esta característica los hace especialmente atractivos para desarrolladores que necesitan procesar grandes cantidades de datos de forma económica.
Características técnicas
Los modelos se presentan en dos versiones:
- SmolVLM-256M: con 256 millones de parámetros
- SmolVLM-500M: con 500 millones de parámetros
Estos números de parámetros, que están relacionados con la capacidad de resolución de problemas del modelo, son significativamente menores que los de otros modelos similares en el mercado.
Capacidades multimodales
Entre las principales funcionalidades de estos modelos se encuentran:
- Descripción de imágenes
- Análisis de clips de video cortos
- Respuesta a preguntas sobre documentos PDF
- Interpretación de textos escaneados y gráficos
Proceso de entrenamiento
Para el desarrollo de estos modelos, el equipo de Hugging Face utilizó dos conjuntos de datos principales:
- The Cauldron: una colección de 50 datasets de alta calidad que combinan imágenes y texto
- Docmatix: un conjunto de escaneos de documentos con descripciones detalladas
El entrenamiento fue llevado a cabo por el equipo M4 de Hugging Face, especializado en tecnologías de IA multimodal.
Rendimiento sorprendente
Según los datos proporcionados por Hugging Face, tanto SmolVLM-256M como SmolVLM-500M han demostrado un rendimiento superior al de modelos mucho más grandes, como Idefics 80B, especialmente en pruebas como AI2D, que evalúa la capacidad de los modelos para analizar diagramas científicos de nivel escolar.
Limitaciones a considerar
A pesar de sus ventajas en términos de tamaño y eficiencia, es importante señalar algunas limitaciones. Un reciente estudio conjunto de Google DeepMind, Microsoft Research y el instituto de investigación Mila en Quebec ha revelado que los modelos más pequeños suelen tener un rendimiento inferior al esperado en tareas de razonamiento complejo.
Los investigadores sugieren que esto podría deberse a que estos modelos más pequeños tienden a reconocer patrones superficiales en los datos, pero encuentran dificultades para aplicar ese conocimiento en nuevos contextos.
Disponibilidad y licencia
Los nuevos modelos están disponibles tanto en la web como para su descarga desde Hugging Face, bajo una licencia Apache 2.0, lo que permite su uso sin restricciones. Esta disponibilidad abierta facilita su implementación en diversos proyectos y aplicaciones.
La introducción de estos modelos compactos representa un paso significativo en la democratización de la IA, permitiendo que más desarrolladores y organizaciones puedan implementar capacidades de análisis multimodal sin necesidad de contar con infraestructuras computacionales costosas.
