Agentes de investigación multi-paso y entradas multimodales: imagen, audio y documentos además de texto.
La IA visual se parte en dos familias opuestas: unas observan y devuelven datos, otras imaginan y devuelven píxeles. Por qué un modelo de difusión no puede contar —viene de cómo aprende— y la pregunta que ordena el triaje: ¿el resultado tiene que ser cierto o verosímil?
Dos modelos de imagen a texto con la misma interfaz y usos opuestos: BLIP entiende qué pasa, TrOCR entiende qué dice. Cómo falla cada uno con la tarea del otro —contestando con aplomo a otra pregunta— y los parámetros que explican casi todos los problemas.
Una máquina nunca trabaja con sonido sino con una representación suya. Los dos dominios —tiempo y frecuencia— y qué pregunta responde cada uno, por qué el espectrograma convierte un problema de audio en uno de visión, y el mismo camino al revés para generar voz.
Un informe como proceso con etapas, paralelismo y un punto donde decide una persona: grafo exterior que planifica y compila, subgrafo por sección que investiga y redacta. El detalle de tipos que hace posible el paralelismo, y el criterio para colocar al humano justo antes de que el gasto se multiplique.
El bucle de autocrítica que separa a un sistema que investiga de uno que solo genera: escribir, evaluar, y traducir el diagnóstico en búsquedas nuevas. Qué parámetros multiplican el coste y cuáles solo lo suman, y por qué restringir dominios rinde más que subir la profundidad.
Sin ejercicios con este filtro.