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)
Technologie-Radar
Vertrauenswürdigkeit von KI verbessern: Fraunhofer HHI startet neues Projekt REFRAME
Im Mittelpunkt stehen sogenannte „Vision Foundation Models“ (VFM), die eine neue Innovationsstufe für Deep-Learning-Modelle markieren.
Technologie-Radar
Quantentechnologie und KI: Sicherheit für Second-Life-Batterien
Das Projekt zielt darauf ab, nachhaltige Upcycling-Strategien zu entwickeln und die ressourceneffiziente Nutzung von Batteriezellen in der Industrie voranzutreiben.
Branchen-News
BMW und Alibaba bringen Sprachmodell Qwen-KI in die Neue Klasse
Kernstück ist eine angepasste Version von Alibabas großem Sprachmodell Qwen, das über Banmas KI-Lösung Yan AI vollständig in das BMW-Bediensystem eingebunden wird.