NVIDIA presentó NVLM 1.0, una familia de modelos multimodales abiertos de 72.000 millones de parámetros que alcanza paridad con GPT-4o y Claude 3.5 Sonnet en tareas visuales complejas, al tiempo que preserva y mejora el rendimiento del LLM base en texto y matemáticas.
La noticia en una frase
NVIDIA liberó los pesos abiertos de NVLM-D-72B, una arquitectura híbrida que combina mosaico dinámico y compresión de tokens para igualar a modelos propietarios frontera sin sufrir degradación en lenguaje puro.
El alcance que cambia la lectura
Uno de los mayores desafíos en el entrenamiento de modelos de visión y lenguaje ha sido la llamada "amnesia multimodal": al adaptar un modelo lingüístico para procesar imágenes, su precisión en código, razonamiento lógico y matemáticas suele deteriorarse notablemente. NVLM 1.0 rompe este paradigma al demostrar que una alineación visual rigurosa no solo previene la degradación, sino que incrementa el rendimiento matemático del modelo textual base.
