LVLMs meistern Altersbestimmung: Zero-Shot Benchmark zeigt beeindruckende Ergebnisse

Ein neues Benchmarking-Studium demonstriert, dass große Vision‑Language‑Modelle (LVLMs) in der Lage sind, das Alter von Personen anhand von Gesichtsaufnahmen ohne jegliche Feinabstimmung genau zu schätzen. Die Untersuchung richtet sich an die bislang von domänenspezifischen Convolutional Networks dominierten Aufgaben der Altersbestimmung und nutzt dafür die neuesten Modelle GPT‑4o, Claude 3.5 Sonnet und LLaMA 3.2 Vision.

Die Autoren haben die Modelle auf zwei etablierten Datensätzen – UTKFace und FG‑NET – getestet und dabei acht gängige Leistungsmetriken ausgewertet: MAE, MSE, RMSE, MAPE, MBE, R², CCC sowie die ±5‑Jahres‑Genauigkeit. Trotz fehlender Trainingsdaten erzielten die LVLMs Ergebnisse, die mit den besten spezialisierten Netzwerken konkurrieren.

Die Ergebnisse zeigen, dass generische multimodale Modelle nicht nur in der Lage sind, komplexe biometrische Aufgaben zu lösen, sondern auch in realen Szenarien wie forensischer Analyse, Gesundheitsüberwachung und Mensch‑Computer‑Interaktion eingesetzt werden können. Gleichzeitig verdeutlichen die Autoren Unterschiede in der Leistung, die auf Bildqualität und demografische Untergruppen zurückzuführen sind, und betonen damit die Notwendigkeit fairer, multimodaler Inferenzmethoden.

Das veröffentlichte Benchmark-Framework ist reproduzierbar und bietet Forschern sowie Praktikern eine solide Basis, um die Fähigkeiten von LVLMs weiter zu untersuchen und in Anwendungen zu integrieren, die bislang stark von annotierten Datensätzen abhängig waren.