KI SpotlightNewsActiveVision: Neuer Benchmark prüft aktive Beobachtung von KI-Modellen
Der Test umfasst 17 Aufgaben in drei Kategorien und schließt eine Lücke in der Evaluation multimodaler Sprachmodelle.
Mit KI erstellt◆ Fakten auf einen Blick
- ActiveVision ist ein Benchmark, der aktive Beobachtung bei MLLMs messbar macht.
- Der Benchmark umfasst 17 Aufgaben in 3 Kategorien.
- Bestehende Vision-Language-Benchmarks beantworten nicht die Frage, ob MLLMs aktive Beobachtung ausüben.
ActiveVision schließt Lücke bei MLLM-Evaluation
Multimodale große Sprachmodelle (MLLMs) verarbeiten Bilder und Texte, doch ob sie dabei aktiv beobachten, blieb bisher ungemessen. Der neue Benchmark ActiveVision soll diese Lücke schließen. Die menschliche Wahrnehmung ist ein geschlossener Regelkreis: Der Blick wird kontinuierlich durch Zwischenhypothesen neu ausgerichtet, statt auf einer einzigen Momentaufnahme zu beruhen. Jahrzehnte psychophysischer und kognitionswissenschaftlicher Forschung haben gezeigt, dass diese aktive Beobachtung für ein breites Aufgabenspektrum unerlässlich ist. Ob heutige MLLMs eine solche aktive Beobachtung ausüben, ist eine empirische Frage, die bestehende Vision-Language-Benchmarks nicht beantworten. ActiveVision macht diese Fähigkeit nun messbar, indem es Aufgaben stellt, die eine schrittweise, rückgekoppelte Wahrnehmung erfordern – ähnlich dem menschlichen Sehen. So wird nicht nur das Endergebnis bewertet, sondern der Prozess der aktiven Informationsaufnahme quantifizierbar.
17 Aufgaben in drei Kategorien
Der Benchmark umfasst 17 Aufgaben, die in drei Kategorien unterteilt sind. Die Aufgaben sind so konzipiert, dass sie eine aktive, rückgekoppelte Wahrnehmung erfordern, was bei bisherigen Benchmarks nicht getestet wird. Anders als herkömmliche Tests, die meist auf statische Erkennungsleistungen abzielen, zwingt ActiveVision die Modelle dazu, Zwischenhypothesen zu bilden und ihre Beobachtung dynamisch anzupassen.
