Una IA que razona con conceptos visuales antes de dibujar gana 7 puntos de precisión

Un equipo de investigadores ha presentado en arXiv, el repositorio de prepublicaciones de la Universidad de Cornell, un sistema llamado LARC, siglas de razonamiento latente en espacio continuo. Su objetivo es que la inteligencia artificial planifique antes de generar una imagen.

Hasta ahora, estos modelos razonaban con cadenas de palabras y después las convertían en píxeles. El problema es que el lenguaje se divide en términos cerrados, mientras que la composición visual funciona en un espacio continuo, lo que limitaba la precisión de los resultados. Esos fallos anatómicos y compositivos son los que todavía arrastran las herramientas comerciales.

LARC prescinde de los textos intermedios y razona directamente sobre estados latentes, una especie de borrador mental abstracto que une la idea con la imagen final. El entrenamiento tiene dos etapas: una fase progresiva que traslada el razonamiento lingüístico al plano continuo y un aprendizaje por refuerzo basado en la ganancia de información, con el que el sistema afina sus deducciones visuales sin supervisión humana directa.

En GenEval, el banco de pruebas que mide la coherencia compositiva y el cumplimiento de las instrucciones, LARC logra el mejor rendimiento de la disciplina, con 7 puntos porcentuales más que el modelo de referencia BAGEL. La técnica también gana precisión al explorar varios bocetos en paralelo o al profundizar paso a paso en una sola propuesta.

Según el trabajo, el avance puede aplicarse al diseño industrial, la ilustración digital y el control robótico. El estudio es público en arXiv.