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
NVIDIA: Alpamayo-Plattform mit neuen Modellen, Daten und Tools
Erweiterung der Alpamayo-Plattform um das neue Reasoning-Modell Alpamayo 1.5 sowie zusätzliche Daten- und Simulationstools zur Entwicklung und Evaluierung von AV-Systemen.
News
Nvidia: Open-Source-KI-Modelle für autonomes Fahren der Stufe 4
Das neue physische KI-Modell Alpamayo soll Robotaxis befähigen, seltene und komplexe Verkehrssituationen sicherer zu bewältigen und Fahrentscheidungen nachvollziehbar zu erklären.