El modelo invisible distingue partes del rostro exprés
Entrenado con imágenes cotidianas, el modelo DINOv3 comenzó inesperadamente a ver rostros como un espectro: por sí mismo, sin pistas, resalta las zonas de los ojos, la nariz, la boca.
En 200 videos, la precisión de la segmentación de rasgos alcanzó el 83% (la adivinación aleatoria es del 23%). Al seguir los labios y las cejas, el 95,5%. Pero la separación «espectral» más nítida no está en la capa final, sino en la 18 de 24: allí las diferencias son cinco veces mayores y se atenúan hacia la salida.
Comparado con el modelo CLIP, que capta la silueta general, DINOv3 distingue rasgos finos con 16,8 puntos porcentuales más de precisión. La arquitectura, similar a los sistemas visuales estándar, generó en su interior un mapa del rostro, un auténtico espectroscopio para los rasgos. Las características congeladas de la mitad de la red son una herramienta lista para descifrar las expresiones sin entrenamiento alguno.
La descomposición más precisa del rostro en rasgos ocurre en la capa 18 de 24, como si un prisma mostrara el arcoíris más brillante no en el primer rayo, sino en el interior del cristal.
La identificación fantástica de «Minority Report» se hace realidad sin bases de datos titánicas: la red neuronal, como un espectroscopio invisible, descompone un rostro en partes en un instante.