KI News: Kurz und klar.

Ein neues arXiv‑Veröffentlichung (2601.21037v1) zeigt, dass Video‑Generierungsmodelle die Grenzen der visuellen Logik sprengen können. Während klassische Vision‑Language‑Modelle bei textbasierten Aufgaben glänzen, kämpfen sie oft mit feinkörnigem räumlichem Verständnis und der Planung kontinuierlicher Aktionen. Die Autoren schlagen vor, die Zwischenschritte der visuellen Argumentation durch generierte Frames zu modellieren und damit eine Brücke zwischen Ausgangszustand und Lösung zu schlagen.

Lumine ist die erste offene Rezeptur, die es ermöglicht, Allzweck-Agenten zu entwickeln, die in Echtzeit komplexe, mehrstündige Missionen in herausfordernden 3D-Open-World-Umgebungen bewältigen können. Das System nutzt ein vision‑language‑Modell, das Rohpixel mit einer Frequenz von 5 Hz verarbeitet und präzise Tastatur‑ und Mausaktionen mit 30 Hz erzeugt. Dabei ruft es das logische Denken nur dann auf, wenn es wirklich nötig ist.