Neues Verfahren steigert Sprachmodelle für Weltraumüberwachung um 176 %

Sprachmodelle wie Qwen3-8B haben bisher vor allem bei allgemeinen Aufgaben beeindruckende Ergebnisse erzielt. Die Übertragung dieser Modelle auf hochspezialisierte Bereiche wie die Weltraumüberwachung (Space Situational Awareness, SSA) gestaltet sich jedoch schwierig, weil die Datenqualität nicht mit den engen technischen Anforderungen übereinstimmt und die Modelle keine tiefgreifende kognitive Struktur besitzen.

Um dieses Problem zu lösen, wurde BD‑FDG entwickelt – ein Framework, das auf der Bloom‑Taxonomie basiert und speziell für die Erstellung von feinabgestimmten Datensätzen im SSA‑Bereich konzipiert ist. BD‑FDG nutzt ein strukturiertes Wissensbaum‑Modell, um die Abdeckung aller relevanten Themen sicherzustellen, und generiert Fragen, die über neun Kategorien und sechs kognitive Ebenen von „Erinnern“ bis „Erstellen“ reichen. Dadurch entsteht ein kontinuierlicher Schwierigkeitsgrad, der die Lernkurve der Modelle optimal unterstützt.

Durch einen mehrdimensionalen Scoring‑Prozess wird zudem die Qualität der Daten streng kontrolliert, sodass die erzeugten Beispiele sowohl fachlich korrekt als auch konsistent sind. Mit BD‑FDG wurde das SSA‑SFT‑Dataset mit rund 230 000 Samples erstellt, das anschließend zum Fein‑Tuning von Qwen3-8B verwendet wurde. Das daraus resultierende Modell, SSA‑LLM‑8B, erzielte im Vergleich zum Ausgangsmodell relative BLEU‑1‑Verbesserungen von 144 % ohne zusätzliche Denkschritte und 176 % mit „Think“-Modus. In Arena‑Vergleichen übertraf es die Basislinie mit einer Gewinnrate von 82,21 % und behielt dabei die allgemeine Leistungsfähigkeit weitgehend bei.