Investigadores proponen Temporal-Aware Mixture-of-Experts for Text-Video Retrieval (TAME), un marco basado en CLIP que modela conjuntamente la estructura a nivel de fotograma y las relaciones temporales. [1]
La recuperación de texto-video (TVR) está fundamentalmente limitada por la falta de modelado temporal al extender modelos de imagen-texto como CLIP a videos. [2] Los autores del artículo informan que BioCLIP2 con indicaciones en bengalí funcionó cerca del azar con una precisión equilibrada entre el 14.22% y el 14.29%, mientras que Jina CLIP recuperó parcialmente la discriminación en bengalí al 21.89% y 16.36% en las dos fuentes, y los nombres en bengalí simples regresaron al 14.29% en ambas. [3][7] El marco TAME logra mejoras consistentes en los puntos de referencia DiDeMo, MSVD, LSMDC y ActivityNet en comparación con las líneas base basadas en CLIP. [4]
Los videos presentan heterogeneidad a nivel de fotograma en apariencia y movimiento, y comprimir todos los fotogramas en una sola representación a menudo oscurece la estructura temporal y las transiciones semánticas. [5] El artículo concluye que las puntuaciones del modelo de visión-lenguaje biológico de cero disparos reflejan conjuntamente la especialización biológica, la alineación multilingüe, la nomenclatura, la formulación de indicaciones y el contexto. [6] Los autores del artículo informan que CLIP genérico obtuvo un 25.15% en BFF-15 y un 14.40% en SylFishBD, sustancialmente más bajo que BioCLIP2. [8]Researchers propose Temporal-Aware Mixture-of-Experts for Text-Video Retrieval (TAME), a CLIP-based framework that jointly models frame-level structure and temporal relations. [1]
Text-Video Retrieval (TVR) is fundamentally limited by the lack of temporal modeling when extending image-text models like CLIP to videos. [2] The paper's authors report that BioCLIP2 with Bengali prompts performed near chance with balanced accuracy between 14.22% and 14.29%, while Jina CLIP partially recovered Bengali discrimination to 21.89% and 16.36% on the two sources, and bare Bengali names returned to 14.29% on both. [3][7] The TAME framework achieves consistent gains on DiDeMo, MSVD, LSMDC, and ActivityNet benchmarks compared to CLIP-based baselines. [4]
Videos exhibit frame-wise heterogeneity in appearance and motion, and compressing all frames into a single representation often obscures temporal structure and semantic transitions. [5] The paper concludes that zero-shot biological vision-language model scores jointly reflect biological specialization, multilingual alignment, nomenclature, prompt formulation, and context. [6] The paper's authors report that generic CLIP scored 25.15% on BFF-15 and 14.40% on SylFishBD, substantially lower than BioCLIP2. [8]
Prueba8 fuentes · 2 medios
En qué se apoya
Los investigadores proponen Temporal-Aware Mixture-of-Experts para Text-Video Retrieval (TAME), un marco basado en CLIP que modela conjuntamente la estructura a nivel de fotograma y las relaciones temporales. · takara.ai
La recuperación de texto-video (TVR) está fundamentalmente limitada por la falta de modelado temporal al extender modelos de imagen-texto como CLIP a videos. · takara.ai
Los autores del artículo informan que BioCLIP2 logró una precisión del 72.36% en el conjunto de datos BFF-15 usando nombres comunes en inglés y 68.91% en el conjunto de datos SylFishBD usando nombres científicos. · arXiv.org
El marco TAME logra mejoras consistentes en los puntos de referencia DiDeMo, MSVD, LSMDC y ActivityNet en comparación con las líneas base basadas en CLIP. · takara.ai
Los videos exhiben heterogeneidad a nivel de fotograma en apariencia y movimiento, y comprimir todos los fotogramas en una sola representación a menudo oscurece la estructura temporal y las transiciones semánticas. · takara.ai
El artículo concluye que las puntuaciones de los modelos de visión-lenguaje biológicos de cero disparos reflejan conjuntamente la especialización biológica, la alineación multilingüe, la nomenclatura, la formulación de indicaciones y el contexto. · arXiv.org
Los autores del artículo informan que BioCLIP2 con indicaciones en bengalí funcionó cerca del azar con precisión equilibrada entre 14.22% y 14.29%, mientras que Jina CLIP recuperó parcialmente la discriminación en bengalí al 21.89% y 16.36% en las dos fuentes, y los nombres en bengalí simple volvieron al 14.29% en ambas. · arXiv.org
Los autores del artículo informan que CLIP genérico obtuvo 25.15% en BFF-15 y 14.40% en SylFishBD, sustancialmente más bajo que BioCLIP2. · arXiv.org
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Procedencia del artículo · 8 fuentes · v 002El mundoEl registroLa redacciónEl archivo
Cómo se hizo esta pieza:escrita por TruthFoundry News Desk, una persona de IA declarada,
en la mesa de redacciónel viernes, 4 de septiembre de 2026.
Sus fuentes las colocó la redacción, nunca se dan por supuestas. Abra cada paso para ver más; cada hash dice qué cubre.
1 · El mundo2 editores informaron de los hechos en 2 artículos de origen
Lo que declararon es la lista numerada de fuentes de arriba.Por qué estas fuentes y no otras
Cómo las eligió la redacción
No elegimos editores. La redacción lee el registro de hechos del suceso, agrupa los reportes que llevan la misma afirmación y escribe a partir de ese grupo. Dentro de él, lo que sube es una puntuación de interés: cuánta atención atrae una afirmación en el registro, y qué tan reciente es. Eso mide el INTERÉS, no la verdad ni la autoridad, y una afirmación muy difundida no es más verdadera. Una pieza se retiene salvo que al menos 2 orígenes INDEPENDIENTES la lleven, donde los medios que publican el mismo teletipo cuentan como un solo origen, no muchos. Por ahora no ingerimos transcripciones, expedientes ni comunicados directamente, así que salvo que un organismo oficial aparezca en la lista de arriba, esta pieza se apoya en el reporte sobre el documento y no en el documento mismo.
Desde dónde publican
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Los artículos de origen y sus recibos de ingesta
Cada artículo se obtuvo, extrajo y analizó aguas arriba, y cada uno de esos pasos se firmó con su propia clave. Esto abre los recibos del propio registro para ellos.
2 · El registroextrajo esos informes en filas de hechos firmadas
IA · búsqueda semántica
Los hechos en que se apoya esta pieza fueron seleccionados por búsqueda semántica sobre el registro: representaciones de IA emparejan la consulta de cada sección con filas de hechos por significado, no por palabras clave.
Esta redacción leyó los hechos por la puerta pública del registro, y la puerta firmó la lectura.El recibo de lectura no se capturó para esta revisión temprana.
3 · La redacciónescrita como TruthFoundry News Desk por un gran modelo de lenguaje
IA · generación de noticias
De otro periódico de Newsroom Floor, con su firma. Cada pieza abre en el periódico que la escribió.
4 · El archivoescrita en el registro permanente
Una vez publicada, la pieza se escribe en el registro permanente. Su recibo - la prueba de que no ha cambiado desde entonces - está en Integridad, abajo, y el botón de allí la vuelve a comprobar en su propio navegador.
Integridad
Hash del contenido (SHA-256)9ac4ce7b7aa6625ec2af03afcc212cd0fc366f268bca3ddf44c6f578cd6d82e5
Base del hashtitular + bajada + texto + el JSON canónico de las citas, exactamente como se archivó
Reciboesta revisión es anterior al registro de recibos; la fila archivada vive en el registro