Live NexSight: Bestes getestetes Modell löst auf SightLine nur 54,52 Prozent der Aufgaben
↘

NexSight: Bestes getestetes Modell löst auf SightLine nur 54,52 Prozent der Aufgaben

Neues Benchmark- und Trainingsframework für agentisches Verstehen langer Videos; zentrale Trainingszahlen sind bislang nur über ein Portal mit KI-Zusammenfassung bekannt

· Veröffentlicht: 22.11.2026 ·2 Min Lesezeit
NexSight: Bestes getestetes Modell löst auf SightLine nur 54,52 Prozent der AufgabenMit KI erstellt
Inhalt
◆ Fakten auf einen Blick
  • NexSight baut mit SightForge verifizierbare Aufgaben für agentisches Langvideo-Verstehen.
  • SightLine umfasst 310 belegrückverfolgbare Aufgaben aus 108 langen Videos.
  • Das stärkste Modell erreicht auf SightLine 54,52 %, mit annotierter Evidenz 79,35 %.
  • SightLoop ist das gemeinsame Multiskalen-Harness, über das die Auswertung läuft.
  • Solver-Trajektorien verifizierter Aufgaben auf disjunkten Videos dienen als Schritt-Supervision für Beobachtungsentscheidungen.

Stärkstes Modell erreicht auf SightLine 54,52 Prozent

NexSight ist ein Benchmark- und Trainingsframework für agentisches Verstehen langer Videos. Gefragt wird etwa, wie oft eine Handlung vorkommt, in welcher Reihenfolge Ereignisse stattfinden oder wann ein Zustand wechselt. Um solche Fragen zu beantworten, muss ein Modell kurze Momente finden, die über Stunden verteilt liegen. Die Autoren beschreiben die Evidenzsuche als schwer zu messen und zu lernen.

Laut den Autoren erreicht das stärkste getestete Modell auf dem zugehörigen Benchmark SightLine 54,52 Prozent. Wird ihm die annotierte Evidenz vorgegeben, steigt der Wert auf 79,35 Prozent. Unabhängig bestätigt sind diese Werte bislang nicht.

Das Paper „NexSight: Verifiable Tasks for Fine-Grained Agentic Long-Video Understanding“ ist auf Hugging Face Papers und bei arXiv unter der Kennung 2611.22790 gelistet. Außerdem taucht es in der Aktivität der Hugging-Face-Organisation Nex-AGI auf. Diese Allianz hat die Shanghai Innovation Institute initiiert. Sie setzt auf ein agentisches Open-Source-Ökosystem.

Ein Verifizierer prüft die Aufgaben, ohne die Musterantwort zu kennen

Die Aufgaben stammen aus der Pipeline SightForge. Eine Aufgabe besteht die Prüfung nur, wenn ein Verifizierer sie beantworten kann, ohne die Entwurfsantwort zu sehen. Er rekonstruiert die Antwort aus dicht neu gewonnener Evidenz, die erneut aus dem Rohvideo erhoben wird. Zusätzlich dürfen Gegenbeispielprüfungen die Aufgabe nicht widerlegen.

Die Autoren beschreiben ein Problem selbst: Spärliche Evidenz zeigt zwar, dass eine Handlung vorkam, nicht aber, wie oft. Bei Zählaufgaben müssen übersehene Vorkommen deshalb gesucht und Doppelzählungen ausgeschlossen werden.

Ergebnis ist SightLine mit 310 Aufgaben aus 108 langen Videos, die sich auf Evidenz zurückverfolgen lassen. Ausgewertet wird mit SightLoop, einem gemeinsamen Multiskalen-Harness für zeitliche Exploration, lokale Inspektion, Evidenzintegration und erneutes Ansehen. Es zeichnet die zurückgegebenen Beobachtungen auf.

Die Autoren behaupten, die Verifikation sei streng genug, um Zählfehler auszuschließen. Eine unabhängige Prüfung, etwa durch Stichproben aus den 310 Aufgaben, ist bislang nicht bekannt.

Lösungswege der Solver als Trainingssignal, Zahlen nur laut agihunt

Für das Training nutzen die Autoren Lösungswege von Solvern bei verifizierten Aufgaben, und zwar auf disjunkten Videos. Daraus entsteht eine Schritt-für-Schritt-Supervision für Beobachtungsentscheidungen: wann und wo ein Modell hinschaut. Antwortbasiertes Training überwacht diese Suche nach Evidenz nicht ausdrücklich.

Zu den Trainingsergebnissen gibt es bislang nur eine KI-generierte Zusammenfassung des Portals agihunt. Demnach steigert das Modell Sight-35B die interaktive Genauigkeit mit weniger als 6K Beispielen von 21,29 auf 42,26 Prozent und übertrifft das 397B-Modell seiner Familie. Die auf Hugging Face und arXiv sichtbaren Abstracts brechen ab, bevor diese Angaben erscheinen. Die Werte gelten daher als ungesichert.

Auch die Angaben zur Autorenschaft (Zhejiang University, Tongji, Shanghai Qizhi) stammen nur von agihunt.

Offen bleibt, wie sich NexSight von bestehenden Langvideo-Benchmarks abgrenzt; das ließ sich nicht klären. Eine unabhängige Replikation fehlt ebenfalls.

A
Andreas Rüdiger
Herausgeber & Redaktionsleitung · KI-Modelle, Technik & Business

Andreas Rüdiger ist Gründer der Agentur INREMA und verantwortet KI Spotlight redaktionell. Sein Schwerpunkt liegt auf KI-Modellen, Recheninfrastruktur, technischen Entwicklungen und der wirtschaftlichen Einordnung. Er sorgt dafür, dass komplexe KI-Themen verständlich und nachvollziehbar aufbereitet werden. Mehr zu ihm auf inrema.de und andiger.de.

Ähnliche Artikel