¿Los modelos CLIP ‘repiten como loros’ el texto de las imágenes? Este artículo explora el sesgo de detección de texto en los sistemas visión-lenguaje
En una investigación reciente, un equipo de investigadores examinó CLIP (Preentrenamiento de imágenes y lenguaje contrastivo), que es una famosa red neuronal que adquiere conceptos visuales de manera efectiva mediante…