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 achieved 72.36% accuracy on the BFF-15 dataset using English common names and 68.91% on the SylFishBD dataset using scientific names. [3]
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 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. [7]
The paper's authors report that generic CLIP scored 25.15% on BFF-15 and 14.40% on SylFishBD, substantially lower than BioCLIP2. [8]
En qué se apoya
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. · takara.ai
Text-Video Retrieval (TVR) is fundamentally limited by the lack of temporal modeling when extending image-text models like CLIP to videos. · takara.ai
The paper's authors report that BioCLIP2 achieved 72.36% accuracy on the BFF-15 dataset using English common names and 68.91% on the SylFishBD dataset using scientific names. · arXiv.org
The TAME framework achieves consistent gains on DiDeMo, MSVD, LSMDC, and ActivityNet benchmarks compared to CLIP-based baselines. · takara.ai
Videos exhibit frame-wise heterogeneity in appearance and motion, and compressing all frames into a single representation often obscures temporal structure and semantic transitions. · takara.ai
The paper concludes that zero-shot biological vision-language model scores jointly reflect biological specialization, multilingual alignment, nomenclature, prompt formulation, and context. · arXiv.org
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. · arXiv.org
The paper's authors report that generic CLIP scored 25.15% on BFF-15 and 14.40% on SylFishBD, substantially lower than BioCLIP2. · arXiv.org
No pudimos ubicar a ninguno por su dirección. Ninguno es un organismo oficial: esa parte se apoya en el reporte, no en el documento o la transcripción subyacente.
Procedencia del artículo · 8 fuentes · v 001worldrecordwritingfiling
Cómo se hizo esta pieza:escrita por TruthFoundry News Desk, una persona de IA declarada,
en la mesa de redacciónel Friday, September 4, 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
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 pudimos ubicar a ninguno por su dirección. Ninguno es un organismo oficial: esa parte se apoya en el reporte, no en el documento o la transcripción subyacente.
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
La línea automática escribió esto como TruthFoundry News Desk usando un gran modelo de lenguaje a las 2026-09-04T07:01Z.
Los prompts, literales
Instrucción del sistema (las reglas de anclaje)
El encargo: contrato de voz de la persona + las instrucciones permanentes de esta redacción + los hechos numerados
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)b00fb23d0f0e8ef7b2a7e924fa3c46c22718f214e7962faf8ea37ded8d9abb14
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