Codirector: Pablo Riera

Link al streaming: https://youtube.com/live/LtplBbiRSSo?feature=share

Frente a la evolución de los modelos generativos, persisten preguntas sobre sus capacidades en comparación con las de los humanos. En esta tesis se propone una tarea innovadora para abordar este problema, evaluar modelos de texto a imagen mediante un experimento de neurociencia inspirado en el juego del “tel´efono descompuesto”. Este experimento, realizado con humanos, se planteó en el contexto de las ciencias cognitivas con el objetivo de identificar los elementos descriptivos que influyen en la comunicación del conocimiento. Dado que los modelos generativos pueden estar involucrados en múltiples fases dentro del experimento, inicialmente se concentró el análisis en la fase que incluye la generación de imágenes a partir de descripciones textuales. Esto permitió comparar directamente el rendimiento de los modelos de texto a imagen con la capacidad humana. Se exploraron dos modelos Stable Diffusion v1.5 y DALL·E 3 y varias técnicas de alignment para generar imágenes de composiciones geométricas utilizando las descripciones humanas recolectadas durante el experimento anterior. Finalmente se realizó una evaluación crowdsourced de las imágenes generadas, encontrando que los humanos superan tanto a DALL·E 3 como a Stable Diffusion v1.5 en esta tarea.