Meta, a través de su equipo Fundamental AI Research (FAIR), ha lanzado públicamente varios nuevos artefactos de investigación para avanzar hacia una inteligencia artificial avanzada (IAA), apoyando al mismo tiempo la ciencia abierta y la reproducibilidad. Este compromiso refuerza su misión de construir un ecosistema de IA abierto y accesible para todos.

Innovaciones recientes y compromiso con la ciencia abierta

El trabajo compartido incluye Meta Segment Anything 2.1 (SAM 2.1), una actualización de su popular Modelo para Segmentar Cualquier Cosa 2, diseñado para imágenes y videos. SAM 2.1 incluye una nueva suite para desarrolladores con código para entrenamiento de modelos y una demostración web. Además, Meta ha enfocado esfuerzos en mejorar la eficiencia y capacidades de los modelos de lenguaje, así como en validar la seguridad de la criptografía post-cuántica y descubrir materiales inorgánicos.

Compromiso con la comunidad global de IA

Durante más de una década, el equipo de Meta FAIR ha colaborado con la comunidad global de IA, compartiendo investigaciones punteras. Su objetivo de alcanzar la IAA es una extensión natural de este compromiso, como señaló Mark Zuckerberg en una reciente carta abierta, destacando que la IA de código abierto “tiene más potencial que cualquier otra tecnología moderna para aumentar la productividad humana, la creatividad y la calidad de vida”.

Apoyo a la ciencia abierta y reproducibilidad

Meta continúa fortaleciendo sus bases en IAA con enfoques en percepción, lenguaje y razonamiento, entre otros. La liberación de hoy incluye una variedad de trabajos de FAIR que abarcan estas áreas, destacando SAM 2.1, mejoras en representaciones de frases para modelos de lenguaje a gran escala, y el Self-Taught Evaluator (STE). Cada uno de estos trabajos ofrece artefactos de código abierto para que la comunidad avance en sus propias investigaciones.

Self-Taught Evaluator: Avances en evaluación automatizada

El Self-Taught Evaluator (STE) es una de las herramientas más innovadoras que se han lanzado en este paquete de investigación. Este evaluador automático es capaz de aprender y mejorar su capacidad de evaluar modelos de IA sin supervisión humana directa. STE se basa en principios de aprendizaje continuo y ha demostrado ser eficaz para ajustar modelos de lenguaje y visión.

El STE es particularmente útil en entornos donde los modelos de IA requieren evaluaciones constantes para optimizar su rendimiento, permitiendo iteraciones más rápidas sin la intervención manual. Este enfoque no solo mejora la eficiencia en la investigación, sino que también facilita la expansión de modelos a nuevas áreas sin perder calidad en el proceso.

Introducción al modelo Meta Segment Anything 2.1

En las 11 semanas desde el lanzamiento de SAM 2, el modelo ha sido descargado más de 700,000 veces y su demostración web ha sido utilizada para segmentar cientos de miles de objetos en imágenes y videos. Meta ahora presenta SAM 2.1, un punto de control actualizado con un rendimiento aún más robusto.

Suite para desarrolladores SAM 2

Se han implementado técnicas adicionales de aumento de datos para simular la presencia de objetos visualmente similares y pequeños, áreas donde SAM 2 enfrentaba desafíos. Además, se mejoró la capacidad de manejo de oclusiones al entrenar el modelo en secuencias más largas de cuadros y ajustar la codificación posicional de la memoria espacial y del puntero de objetos. Detalles adicionales y resultados se encuentran disponibles en su artículo actualizado.

Meta también comparte la Suite para Desarrolladores SAM 2, un paquete de código abierto que facilita la construcción con SAM 2. Esta versión incluye código de entrenamiento para ajustar SAM 2 con datos propios y, por primera vez, el código de front-end y back-end para su demostración web.

Con estos avances, Meta no solo busca inspirar iteraciones sino también ayudar a avanzar responsablemente en la IA. Su enfoque en la ciencia abierta y la colaboración con la comunidad refuerza su objetivo de construir sistemas de IA que funcionen para todos y acerquen al mundo.