DCVLR-Wettbewerb: Schwierigkeit statt Größe entscheidet multimodales Lernen

Beim NeurIPS 2025 Data Curation for Vision-Language Reasoning (DCVLR) Challenge hat ein Team mit einer kompakt kuratierten Datensammlung, die hauptsächlich aus dem Walton Multimodal Cold Start Dataset stammt, den ersten Platz belegt. Durch die Festlegung von Modell und Trainingsprotokoll konnte die Studie die reine Wirkung der Datenauswahl isolieren.

Die Analyse nach dem Wettbewerb zeigt, dass die Auswahl von Beispielen nach ihrer Schwierigkeit auf einem ausgerichteten Basisdatensatz der entscheidende Faktor für die Leistungssteigerung ist. Im Gegensatz dazu führt eine bloße Erhöhung der Datensatzgröße nicht zu einer signifikanten Verbesserung der durchschnittlichen Genauigkeit, sondern reduziert lediglich die Schwankungen zwischen den Durchläufen.

Bekannte Methoden wie Diversitätssteigerung und synthetische Augmentationen haben sich in diesem Kontext als wenig hilfreich erwiesen und können sogar die Leistung verschlechtern. Die Ergebnisse deuten darauf hin, dass der DCVLR-Wettbewerb ein Sättigungsregime darstellt, in dem die Ausrichtung und die Schwierigkeit der Daten die wichtigsten Treiber für daten-effizientes multimodales Lernen sind.