Cambrian-S: El MLLM que domina la cognición espacial y visión predictiva en video

Descubre Cambrian-S, la familia de modelos MLLM (Modelos Multimodales de Lenguaje Grande) diseñados para impulsar el progreso hacia la verdadera inteligencia multimodal a través del supersensing espacial. Argumentamos que la inteligencia en video debe ir más allá de la comprensión lingüística (percepción semántica) para incluir la cognición espacial implícita en 3D y el modelado predictivo del mundo. Para medir este avance, presentamos el desafiante benchmark VSI-SUPER (que incluye tareas de recuperación VSR y conteo continuo VSC), demostrando que escalar únicamente el contexto (como en Gemini-2.5-Flash) es insuficiente para el razonamiento espacial de largo alcance. La innovación de Cambrian-S radica en el concepto de detección predictiva (predictive sensing), que utiliza el error de predicción o "sorpresa" para gestionar la memoria de manera eficiente y segmentar eventos en flujos continuos de video. Este enfoque permite a Cambrian-S superar significativamente a las referencias de contexto largo en VSI-SUPER y sentar las bases para sistemas de IA que no solo ven, sino que también anticipan y organizan su experiencia.https://arxiv.org/pdf/2511.04670v1https://cambrian-mllm.github.io/https://github.com/cambrian-mllm/cambrian-s