KI News: Kurz und klar.

In einem neuen Beitrag auf arXiv wird gezeigt, wie Mixture-of-Experts‑Schichten die Rechenleistung durch Gewichtssparsity schon optimieren – jedes Token aktiviert lediglich einen Teil der Experten. Durch die zusätzliche Dimension der Daten‑Sparsity, bei der jeder Experte nur einen Teil der Tokens verarbeitet, lässt sich die Effizienz weiter steigern.

Ein neuer Agent namens AREA3D ermöglicht es Robotern, eigenständig die besten Kamerawinkel auszuwählen, um präzise und vollständige 3D‑Modelle von Szenen zu erstellen. Im Gegensatz zu bisherigen Ansätzen, die stark auf handgefertigte geometrische Heuristiken setzen, nutzt AREA3D moderne Feed‑Forward‑Rekonstruktionsmodelle und kombiniert sie mit einer Vision‑Language‑Komponente.

Die neue Methode OVOD‑Agent setzt neue Maßstäbe für die Open‑Vocabulary Object Detection (OVOD). Ziel ist es, Objekterkennungsmodelle so zu erweitern, dass sie über fest definierte Kategorien hinaus generalisieren können, indem sie semantische Informationen nutzen.

Ein neues Survey‑Paper von arXiv (2511.15722v1) beleuchtet die bislang wenig erforschte Fähigkeit von multimodalen großen Sprachmodellen (MLLMs), räumliche Beziehungen in der 3‑D-Welt zu erkennen und zu manipulieren. Die Autoren betonen, dass räumliches Denken nicht allein von der Eingabe­modalität abhängt, sondern ein komplexes Zusammenspiel kognitiver Prozesse darstellt.

Multimodale Large Language Models (MLLMs) haben in den letzten Monaten beeindruckende Ergebnisse bei einer Vielzahl von Vision‑Language‑Aufgaben erzielt. Trotz dieser Leistungsfähigkeit bleibt die genaue Funktionsweise ihrer internen Verarbeitungsschichten weitgehend unerforscht.