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)
News
ETAS: Embedded Code-Generierung aus trainierten KI-Modellen
Der Embedded AI Coder generiert C-Code direkt aus trainierten KI-Modellen.
News
Renesas: kostenlose Sandbox-Evaluierungsumgebung für KI/ML-Entwicklung
Angebot umfasst die Module für die automatisierte Erstellung von KI-Modellen, die Validierung und den Einsatz der Reality AI Tools zusammen mit Tutorials, Anwendungsbeispielen und E-Mail-Support.
Fachberichte & White Paper
Fachartikel: Edge-KI mit NPUs und Modellkompression optimieren
Der Fachbeitrag von MathWorks zeigt, wie sich Edge-KI durch den Einsatz von NPUs und Modellkompression für Echtzeit- und Embedded-Anwendungen optimieren lässt, etwa in der Motorsteuerung mit Inferenzzeiten unter 10 ms.