Hugging Face ha lanzado Idefics2, un modelo de IA multimodal de código abierto que procesa texto e imágenes con una eficiencia notable para su tamaño. Capaz de leer documentos, describir fotografías y responder preguntas complejas sobre contenido visual, este modelo compite con soluciones propietarias sin requerir infraestructura masiva. Su arquitectura ligera lo hace accesible para desarrolladores y pequeñas empresas.
Arquitectura eficiente con visión y lenguaje integrados 🤖
Idefics2 combina un codificador de visión preentrenado con un modelo de lenguaje basado en Mistral 7B, usando un conector ligero para alinear ambas modalidades. Con solo 8.2 mil millones de parámetros, logra resultados competitivos en benchmarks como DocVQA y ChartQA. Su entrenamiento incluye datos sintéticos y ajuste fino con instrucciones, permitiendo manejar documentos escaneados, gráficos y fotografías sin necesidad de OCR externo. El modelo se distribuye bajo licencia Apache 2.0.
Adiós a la excusa de que el PC no daba para más 😅
Por fin podemos dejar de culpar al hardware cuando la IA no entiende nuestros garabatos. Idefics2 funciona en una GPU de gama media, así que si tu máquina se queda corta, el problema eres tú. Ahora no hay excusa para que el modelo no distinga entre un gato y un bocadillo de tortilla en esa foto borrosa que tomaste a las tres de la mañana. La inteligencia artificial ya no necesita un centro de datos, solo un usuario que sepa enfocar.