El equipo de investigaci\u00f3n de Google DeepMind ha demostrado con el modelo Vision Banana que los precursores de la generaci\u00f3n de im\u00e1genes constituyen una base s\u00f3lida para la comprensi\u00f3n general del mundo visual, de forma similar a como los grandes modelos de lenguaje (LLM) desarrollan la comprensi\u00f3n del lenguaje mediante la predicci\u00f3n de la siguiente palabra. El sistema se basa en Nano Banana Pro, el generador de im\u00e1genes m\u00e1s avanzado de Google, que se ha transformado en Vision Banana mediante un aprendizaje ligero basado en instrucciones. La innovaci\u00f3n clave reside en que diversas tareas de visi\u00f3n artificial, como la segmentaci\u00f3n, la determinaci\u00f3n de la profundidad y la estimaci\u00f3n de la normal de la superficie, se han transformado en tareas de generaci\u00f3n de im\u00e1genes RGB.
Vision Banana obtuvo resultados superiores en entornos sin experiencia previa con conjuntos de datos espec\u00edficos. Super\u00f3 al modelo SAM 3 en segmentaci\u00f3n de im\u00e1genes, alcanzando una puntuaci\u00f3n de m\u00e9trica de profundidad de 0,929 (par\u00e1metro \u03b41), superando al anterior poseedor del r\u00e9cord, Depth Anything V3 (0,918). Lo m\u00e1s destacable es que el modelo no requiere informaci\u00f3n sobre los par\u00e1metros de la c\u00e1mara para determinar la profundidad, lo que hasta ahora hab\u00eda sido un obst\u00e1culo importante para este tipo de sistemas.
Este enfoque ofrece tres ventajas clave. Un \u00fanico modelo, donde una sola red neuronal puede realizar una amplia gama de tareas, con solo modificar el texto de la solicitud. Se requiri\u00f3 una peque\u00f1a cantidad de datos visuales espec\u00edficos para adaptar el modelo. Adem\u00e1s, a pesar de las nuevas capacidades anal\u00edticas, Vision Banana conserva plenamente su funci\u00f3n original de generar im\u00e1genes fotorrealistas de excelente calidad.
Los investigadores creen que estamos presenciando un cambio de paradigma en el que el preaprendizaje generativo se convertir\u00e1 en el est\u00e1ndar para la creaci\u00f3n de modelos visuales generales del futuro. Vision Banana no es solo una nueva herramienta, sino una prueba de que la capacidad de crear contenido visual requiere impl\u00edcitamente una comprensi\u00f3n profunda de la geometr\u00eda, la sem\u00e1ntica y las relaciones espaciales del mundo real.<\/p>\n