Forschende der University of California haben festgestellt, dass die gängigen Metriken zur Bewertung des kompositorischen Schließens von multimodalen KI-Modellen deren Fähigkeiten systematisch unterschätzen. In ihrer Veröffentlichung „Test-Time Matching: Unlocking Compositional Reasoning in Multimodal Models“ berichten sie über ihre Ergebnisse und stellen einen von ihnen entwickelten Algorithmus namens TTM (Test-Time Matching) vor. Test-Time Matching ist ein sich selbst verbessernder, iterativer Algorithmus, der die Modellleistung ohne externe Überwachung steigert. Mit TTM übersteigt die MMVP-VLM-Performance von SigLIP-B16 die von GPT-4.1 und stellt somit einen neuen „Stand der Technik“ dar. Experimente mit 16 Datensatzvarianten haben dabei gezeigt, dass TTM die Leistung in verschiedenen Umgebungen konsistent verbessert – auch in solchen ohne metrikbedingte Effekte oder vordefinierte Gruppenstrukturen. (jr)
Branchen-News
STW und driveblocks: KI-Assistenzsystem für mobile Arbeitsmaschinen
Im Fokus der Zusammenarbeit steht die Integration der driveblocks Autonomy Platform mit der STW HPX.ai-vision. Die modulare Plattform ermöglicht fortschrittliche Assistenzfunktionen wie Personen- und Objekterkennung.
News
MathWorks: Release 2024b von MATLAB und Simulink
Das Release 2024b von MathWorks enthält zahlreiche neue und verbesserte Funktionen der MATLAB- und Simulink- Produktfamilien, darunter wichtige Updates, die eine optimierte, schnellere Entwicklung von Signalverarbeitungsanwendungen ermöglichen
Fachberichte & White Paper
Fachbeitrag: Wie BMW den elektrischen Antrieb mit KI optimiert
Die BMW Group untersucht RL-basierte Steuerungsstrategien, um Effizienzpotenzial durch dynamische Optimierung der Drehmomentverteilung mithilfe datengesteuerter Algorithmen auszuschöpfen. Dieser softwarezentrierte Ansatz minimiert den Energieverbrauch ohne Änderungen an der Hardware des Fahrzeugs.