KI News: Kurz und klar.

In der neuesten Studie von arXiv:2602.06056v1 wird untersucht, ob Multimodal Diffusion Language Models (dLLMs) als effektive Embedding‑Modelle fungieren können. Die Autoren konvertieren die Modelle in Embedding‑Formate und vergleichen sie systematisch mit autoregressiven Vision Language Models (VLMs).

In der Forschung zu multimodalen großen Sprachmodellen (MLLMs) hat sich die Vielfalt an Architekturen, Ausrichtungsstrategien und Effizienz stark erhöht. Diese Heterogenität führt dazu, dass kein einzelnes Modell in allen Aufgabenbereichen überlegen ist. MMR‑Bench, ein neues Benchmarking-Tool, adressiert dieses Problem, indem es die Auswahl des passenden Modells für jede einzelne Anfrage – das sogenannte Routing – in einem einheitlichen Rahmen untersucht.

Ein neues Verfahren namens FlipVQA‑Miner ermöglicht es, aus Lehrbüchern und Übungsmaterialien automatisch hochwertige Frage‑Antwort‑Paare (QA) sowie visuelle Frage‑Antwort‑Paare (VQA) zu extrahieren. Durch die Kombination von layout‑sensitiven OCR‑Techniken mit semantischer Analyse durch große Sprachmodelle (LLMs) werden die Inhalte strukturiert und in ein formatgerechtes Format überführt, das für das Training von KI‑Modellen geeignet ist.

Ein neues Forschungswerkzeug namens IndicVisionBench wurde vorgestellt, das die Leistungsfähigkeit von Vision‑Language‑Modellen (VLMs) in kulturell vielfältigen und mehrsprachigen Kontexten prüft. Das Benchmark‑Set konzentriert sich auf den indischen Subkontinent und umfasst zehn indische Sprachen sowie Englisch.

In der jüngsten Veröffentlichung auf arXiv (2510.27363v1) wird ToolScope vorgestellt – ein neues, agentisches Framework, das große Sprachmodelle (LLMs) mit multimodaler Wahrnehmung und externen Tools verbindet. Ziel ist es, die bislang schwierige Aufgabe zu lösen, wie multimodale große Sprachmodelle (MLLMs) flexibel und effizient auf externe Hilfsmittel zugreifen können, um komplexe, visuell gestützte Fragen zu beantworten.

In einer kürzlich veröffentlichten Arbeit auf arXiv (2508.13184v1) stellen die Autoren ein neues Modell namens BERT‑VQA vor, das sich speziell mit der Beantwortung von Fragen zu Diagrammen beschäftigt. Das Ziel ist es, die Herausforderung des Visual Question Answering (VQA) – bei dem Bild- und Textinformationen kombiniert werden müssen – auf den speziellen Fall von Diagrammen zu übertragen.