VPS: modelo busca imágenes en alta resolución en paralelo
VPS cambia el orden: primero inspecciona toda la imagen en paralelo, luego decide dónde hacer zoom. Gana hasta 8 puntos de precisión frente al zoom secuencial.
👁 112 lecturas
VPS cambia el orden: primero inspecciona toda la imagen en paralelo, luego decide dónde hacer zoom. Gana hasta 8 puntos de precisión frente al zoom secuencial.
El trabajo proviene de arXiv (cs.CV, cs.AI), presentado el 29 de septiembre de 2026. Los autores son un equipo de ocho personas: Xijia Tao, Yihua Teng, Xinyu Fu, Cheng Gong, Ziru Liu, Xudong Xie, Rui Liu y Lingpeng Kong.
En qué consiste el problema
Los modelos multimodales (aquellos que entienden simultáneamente texto e imagen) tienen problemas con imágenes de alta resolución. Para responder a una pregunta sobre un fragmento pequeño y bien localizado de una foto, el modelo debe primero elegir dónde mirar - y lo hace antes de haber visto el conjunto. Los autores llaman a este enfoque «zoom secuencial» y señalan que precisamente este orden de operación es la fuente de errores.
Qué proponen los autores
La solución se llama VPS (Visual Parallel Search). Funciona en dos etapas. Primero, el agente principal invoca la función grid_search, que divide la imagen en mosaicos y envía cada uno a un sub-agente independiente. Los sub-agentes trabajan en paralelo y están condicionados por la pregunta planteada - es decir, buscan una respuesta concreta, no exploran la imagen a ciegas. Solo después de recopilar los resultados de esta revisión paralela, el agente principal puede invocar la función zoom_in y ampliar el fragmento seleccionado. Gracias a esto, la decisión de ampliar se toma sobre la base de datos reales, no de suposiciones.
Resultados en benchmarks
Los autores comparan VPS con el enfoque basado exclusivamente en zoom. Sobre el mismo modelo base, VPS obtiene mejores resultados en 14 de 15 comparaciones, y la ganancia máxima es de 8,0 puntos porcentuales de precisión. Se registraron mejoras especialmente grandes para modelos principales más pequeños. En el benchmark ZoomBench, VPS mantiene una ventaja de aproximadamente 3,2 puntos independientemente del tamaño del modelo probado.
Aprendizaje de roles: SFT y RL
Además del framework en sí, los autores desarrollaron también un pipeline para entrenar el modelo. Contiene verificación sin pistas (hint-free verification) y una variante emparejada y específica por rol de GRPO como objetivo de aprendizaje para dos roles: controlador (agente principal) y lector de mosaicos (sub-agente).
El fine-tuning supervisado (SFT) mejora la precisión en las cinco divisiones de benchmarks de prueba, incluyendo 4,17 puntos en HR-Bench 4K.
El reinforcement learning (RL) ya cambia el comportamiento del modelo de manera más compleja. El RL entrenado solo en el rol del agente principal reduce el uso promedio de herramientas de 2,65 a 2,11 con un resultado pass@1 similar en la evaluación interna sobre cuatro respuestas. Los autores señalan, sin embargo, que los cambios en la precisión externa son mixtos. El entrenamiento conjunto de ambos roles reveló una asimetría entre la lectura de evidencias locales y el control global de la búsqueda - el documento no explica esta asimetría más allá de esta afirmación.
Qué no hay en el documento
El abstract no indica sobre qué modelos base concretos se realizaron los experimentos, ni menciona los nombres de las 15 comparaciones que componen el conjunto de resultados. Los detalles de la arquitectura de los sub-agentes, los datos de entrenamiento ni los costes computacionales no se discuten en el fragmento disponible.
Google · Tus fuentesBrilla más alto en tu Google - con un solo clicAñadir a fuentes preferidas →Qué se desprende de esto
VPS es una propuesta de cambio en el orden de operaciones al trabajar con imágenes grandes - en lugar de adivinar y luego verificar, el modelo primero recopila evidencias en paralelo, y solo después decide. Los números son concretos y coherentes: 8 puntos de ganancia máxima y 3,2 puntos estables en ZoomBench son resultados difíciles de ignorar. Inquieta el fragmento sobre RL - los propios autores admiten que la precisión externa tras el entrenamiento RL es «mixta», lo que sugiere que el aprendizaje del comportamiento del agente en este framework aún no está pulido. Si VPS efectivamente funciona mejor para modelos más pequeños, puede ser una vía interesante para aplicaciones donde no hay presupuesto para modelos grandes, pero sí necesidad de analizar fotos detalladas - documentos, mapas, imágenes satelitales o médicas.
Fuente: arXiv cs.AI: Visual Parallel Search: Learning to Search High-Resolution Images with Parallel Tile Inspection and Adaptive Zoom (documento del 30-09-2026). Este análisis se realizó sobre la base del texto completo del documento, no de relatos de otros medios.
More on this from FULGOR
guías·Waking Up paso a paso: curso y plan para tu primer mesWaking Up es la app de meditación de Sam Harris. Te explicamos cómo empezar el curso introductorio y mantener la práctica diaria durante el primer mes.