Microsoft Research presentó oficialmente Florence-2, una arquitectura fundacional de visión computacional y lenguaje diseñada para unificar en un único modelo universal una amplia gama de tareas visuales, espaciales y semánticas. Disponible en variantes hiperoptimizadas de 230 millones (Florence-2-base) y 770 millones de parámetros (Florence-2-large), la plataforma adopta un paradigma de secuencia a secuencia (sequence-to-sequence) que transforma consultas en lenguaje natural en descripciones detalladas, detección de objetos en coordenadas absolutas y relativas, anclaje visual (visual grounding) y segmentación poligonal de alta precisión, todo entrenado sobre el monumental conjunto de datos FLD-5B que contiene más de 5.400 millones de anotaciones visuales.
Capítulo 01
La noticia en una frase
Microsoft Research introduce Florence-2, un modelo fundacional de visión sequence-to-sequence de 0.23B y 0.77B que unifica tareas de captioning, detección de objetos y segmentación espacial.
En evaluaciones estandarizadas de visión computacional, Florence-2 supera a modelos multimodales de decenas de miles de millones de parámetros en detección de cajas delimitadoras (COCO AP) y segmentación sin disparo previo (zero-shot RefCOCO), operando con una huella de memoria inferior a 1,5 GB de VRAM.
Capítulo 02
