Tecnología
VLM
Los modelos de visión-lenguaje (VLM) combinan capacidad de ver imágenes o vídeo con razonamiento y generación de lenguaje natural, permitiendo describir, clasificar, localizar objetos o planificar acciones a partir de contenido visual. Se usan en robótica, inspección industrial, retail, radiología y conducción autónoma para automatizar tareas que antes requerían revisión humana de imágenes.
Sobre esta tecnología, IA para hoy ha analizado 12 noticias, procedentes de 6 medios distintos. No ha habido cobertura nueva en la última semana. La fiabilidad media de esa cobertura es de 4,2 sobre 5, medida con las reglas de nuestro método. Las áreas de impacto que más se repiten son Desarrollo, Operaciones, Automatización. Aparece en 8 historias en seguimiento.
Evolución en 16 semanas
El momentum semanal se estima con la misma fórmula que el momentum actual: volumen, aceleración respecto a la semana anterior, diversidad de fuentes e impacto.
Análisis Qué significa para una empresa
- Oportunidades
- Permiten automatizar etiquetado y análisis de video a gran escala (reduciendo costes, como en construcción o retail), mejorar diagnóstico asistido en salud y dotar a robots de comprensión espacial para operar en entornos reales.
- Riesgos
- Persisten problemas de alucinaciones, errores de medición y conteo, y dificultades para mantener relaciones espaciales en tareas de planificación secuencial, lo que limita su fiabilidad en aplicaciones críticas. También existe dependencia de proveedores de modelos abiertos o cerrados y necesidad de validación específica por dominio (especialmente en salud).
- Qué debería hacer una empresa
- Las empresas con grandes volúmenes de datos visuales (video, imágenes de producto, inspección) deberían evaluar pilotos de VLM en los próximos 6 meses para casos de uso bien acotados, exigiendo validación humana en tareas de alto riesgo.
Análisis generado por IA a partir de las noticias disponibles; actualizado 13 oct.
Relacionadas
LLM ×5Nvidia ×5robótica ×4RAG ×4multimodal ×4agentes ×3Microsoft Research ×3OpenAI ×1Anthropic ×1Google ×1
Historias
Hospital infantil usa IA open source de NVIDIA para modelar corazones pediátricos
CES 2026: IA física y robótica humanoide como nuevo centro de gravedad tecnológico
Microsoft presenta benchmark MindTopo para razonamiento topológico en VLMs
Microsoft Research presenta CARE-X para interpretación de radiografías de tórax
Estrategia de datos de Photoroom para PRX: Lance, MDS y captions de VLM
GroundedPlanBench: planificación integrada para robots manipuladores
Despliegue de Cosmos Reason 2B en dispositivos NVIDIA Jetson para IA en el borde
VLM para anotación automática de datos de construcción autónoma
Noticias
Hospital infantil de Filadelfia usa IA de código abierto para modelar corazones pediátricos
Children's Hospital of Philadelphia (CHOP) usa herramientas de código abierto basadas en MONAI, framework cofundado por NVIDIA, para generar modelos anatómicos…
Por qué importaEs un ejemplo concreto de cómo la IA de código abierto y la aceleración por GPU pueden acortar drásticamente tiempos clínicos críticos, pasando de…
Microsoft presenta MindTopo, benchmark de razonamiento topológico para modelos multimodales
Microsoft Research ha publicado MindTopo, un benchmark que evalúa si los modelos de lenguaje multimodal comprenden relaciones topológicas como conectividad…
Por qué importaRevela una limitación fundamental de los modelos multimodales para tareas de robótica y asistencia interactiva, donde mantener el entendimiento de…
Microsoft Research presenta CARE-X, modelo de IA de investigación para radiología de tórax
Microsoft Research ha presentado CARE-X, un modelo de visión-lenguaje unificado para interpretación de radiografías de tórax que combina generación de texto…
Por qué importaMuestra una vía técnica para resolver limitaciones conocidas de los VLMs médicos (falta de confianza calibrada, pérdida de fidelidad clínica en el…
Photoroom revela su estrategia de datos para entrenar PRX, un modelo de imagen de 7B parámetros
Photoroom publica los detalles técnicos de su pipeline de datos para PRX, un modelo de difusión de texto a imagen de 7.000 millones de parámetros. El equipo…
Por qué importaLa estrategia de datos es fundamental en modelos de difusión modernos y Photoroom expone decisiones prácticas replicables: priorizar diversidad sobre…
Microsoft presenta GroundedPlanBench para mejorar la planificación de robots con modelos de visión y lenguaje
Microsoft Research ha publicado GroundedPlanBench, un benchmark con 1.009 tareas de manipulación robótica basado en 308 escenas del dataset DROID, diseñado…
Por qué importaLa integración de planificación y razonamiento espacial en un único modelo directo es un avance crítico para que los robots ejecuten tareas complejas…
NVIDIA Cosmos Reason 2B: despliegue en dispositivos Jetson para IA en el borde
NVIDIA ha publicado un tutorial en Hugging Face que detalla cómo desplegar el modelo Cosmos Reason 2B, un modelo de lenguaje visual (VLM), en toda la línea…
Por qué importaPermite ejecutar modelos de visión con razonamiento en dispositivos edge compactos sin depender de la nube, reduciendo latencia y costes operativos…
AWS y Bedrock Robotics usan modelos de visión para anotar datos de construcción autónoma
Bedrock Robotics, mediante el AWS Physical AI Fellowship, utilizó modelos de visión-lenguaje (VLM) para analizar millones de horas de video de construcción y…
Por qué importaLa anotación automática de datos es un cuello de botella crítico en la IA física; resolver este desafío mediante VLM permite desplegar sistemas…
Carnegie Mellon y Fujitsu desarrollan pruebas de seguridad para agentes IA en empresas
Investigadores de la Universidad Carnegie Mellon y Fujitsu presentaron tres nuevos benchmarks el 26 de enero en la conferencia AAAI 2026 de Singapur para…
Por qué importaPara empresas que consideran automatizar operaciones críticas con agentes IA (finanzas, cadena de suministro, manufactura), contar con benchmarks…
NVIDIA lanza blueprints de almacén inteligente y enriquecimiento de catálogos para retail
NVIDIA ha presentado dos blueprints de código abierto para la industria minorista: Multi-Agent Intelligent Warehouse (MAIW) y Retail Catalog Enrichment. El…
Por qué importaPara empresas de retail y logística, estos blueprints reducen significativamente el esfuerzo manual en dos cuellos de botella críticos: coordinación…
NVIDIA lanza Cosmos Reason 2 para mejorar razonamiento en robots y agentes de IA
NVIDIA ha lanzado Cosmos Reason 2, un modelo de visión-lenguaje abierto para IA física que mejora la comprensión espaciotemporal y el razonamiento de robots y…
Por qué importaCosmos Reason 2 cierra brechas críticas en la capacidad de IA para tareas que requieren razonamiento físico, planificación y adaptación a nuevas…
NVIDIA lanza modelos abiertos Nemotron, Cosmos y Alpamayo para IA de agentes y robótica
NVIDIA ha publicado un conjunto amplio de modelos de código abierto y conjuntos de datos: la familia Nemotron para IA de agentes (con modelos de voz, RAG…
Por qué importaEsta publicación acelera el acceso a infraestructura de IA de calidad empresarial sin dependencia de proveedores únicos, facilitando adopción a…
DeepMind presenta Flamingo: un modelo multimodal que aprende nuevas tareas con pocos ejemplos
Google DeepMind ha publicado un preprint de Flamingo, un modelo de lenguaje visual (VLM) de 80 mil millones de parámetros que alcanza el estado del arte en…
Por qué importaFlamingo reduce drásticamente la necesidad de datos etiquetados y reentrenamiento para nuevas tareas, haciendo los modelos multimodales más…