Spatial Atlas: KI-Agenten lösen räumliche Aufgaben deterministisch

Ein neues Forschungsparadigma namens compute‑grounded reasoning (CGR) wurde vorgestellt, das KI‑Agenten dazu befähigt, jede räumlich relevante Frage zunächst durch deterministische Berechnungen zu beantworten, bevor ein Sprachmodell generiert. Durch diese Vorgehensweise werden Fehlinformationen vermieden und die Interpretierbarkeit der Ergebnisse erhöht.

Der Spatial Atlas setzt CGR in einem Agent‑zu‑Agent‑Server um, der zwei anspruchsvolle Benchmarks abdeckt: FieldWorkArena, ein multimodales Räumlichkeits‑Frage‑Antwort‑Set, das Fabriken, Lagerhäuser und Einzelhandelsflächen umfasst, sowie MLE‑Bench, eine Sammlung von 75 Kaggle‑Machine‑Learning‑Wettbewerben, die komplette ML‑Engineering‑Aufgaben verlangen.

Ein strukturierter räumlicher Szenengraph‑Engine extrahiert aus Bildbeschreibungen Objekte und Beziehungen, berechnet Entfernungen und Sicherheitsverstöße exakt und liefert diese Fakten anschließend an große Sprachmodelle. Zusätzlich steuert ein entropy‑basierter Aktionsauswahlmechanismus die Informationsgewinnung pro Schritt und verteilt Anfragen über ein dreistufiges Modell‑Stack aus OpenAI und Anthropic. Ein selbstheilender ML‑Pipeline‑Ansatz, iterative Score‑basierte Verfeinerung und ein prompt‑basierter Leak‑Audit‑Registry runden das System ab.

Tests auf beiden Benchmarks zeigen, dass CGR die Genauigkeit der Antworten verbessert, während gleichzeitig die Transparenz durch strukturierte Zwischenschritte und deterministische räumliche Berechnungen erhalten bleibt.