Suche nach visuelle Wahrnehmung

MapTab: Neue Benchmark für multimodale Routenplanung

Die Forschung zu multimodalen großen Sprachmodellen (MLLMs) erreicht einen wichtigen Meilenstein: Mit dem neuen Benchmark MapTab können Ent…

arXiv – cs.LG 24.02.2026 05:00

Forschung

Neue Methode misst visuelle Erkundung im Fußball präzise

Traditionelle Messungen des visuellen Erkundungsverhaltens im Fußball basieren auf schnellen Kopfdrehungen von über 125°/s. Diese Technik i…

arXiv – cs.LG 24.02.2026 05:00

Forschung

VLMs im autonomen Fahren: Textbias in synthetischen MCQAs drastisch reduziert

In einer neuen Studie wurde gezeigt, dass synthetisch generierte Multiple‑Choice‑Fragen (MCQAs) für Vision‑Language‑Modelle (VLMs) im Berei…

arXiv – cs.LG 23.02.2026 05:00

Forschung

DeepVision-103K: Vielfältiges, breit abgedecktes Mathe-Dataset für multimodale KI

Mit dem neuen Datensatz DeepVision-103K wird die Forschung im Bereich multimodaler KI einen bedeutenden Schritt nach vorne. Der Datensatz w…

arXiv – cs.LG 20.02.2026 05:00

Forschung

Lang2Act: Selbstentwickelte Sprachwerkzeuge verbessern visuelle Wahrnehmung

Ein neues Verfahren namens Lang2Act verspricht, die visuelle Wahrnehmung von Vision‑Language‑Modellen (VLMs) deutlich zu steigern. Im Gegen…

arXiv – cs.AI 17.02.2026 05:00

Forschung

RL verfeinert visuelles Denken: Fokus auf Transformer-Schichten

Reinforcement Learning (RL) hat sich als Standardverfahren etabliert, um die visuelle Argumentationsfähigkeit von Vision‑Language‑Modellen…

arXiv – cs.AI 16.02.2026 05:00

Forschung

GUI‑Eyes: Aktive visuelle Wahrnehmung steigert GUI‑Agenten um 44,8 % Genauigkeit

In der Welt der grafischen Benutzeroberflächen (GUI) haben Fortschritte in Vision‑Language‑Modellen (VLMs) und Reinforcement Learning (RL)…

arXiv – cs.AI 16.01.2026 05:00

Forschung

Neues Framework stärkt visuelle Wahrnehmung in multimodalen Lernmodellen

In einer kürzlich veröffentlichten Studie auf arXiv wird ein neues Konzept vorgestellt, das die Art und Weise, wie multimodale Lernmodelle…

arXiv – cs.AI 13.01.2026 05:00

Forschung

V2P: GUI-Element-Positionierung durch Hintergrundunterdrückung und Zentrierung

Ein brandneues Verfahren namens Valley-to-Peak (V2P) verspricht, die präzise Lokalisierung von GUI-Elementen entscheidend zu verbessern. Du…

arXiv – cs.AI 13.01.2026 05:00

Forschung

<h1>Neues Modell ChartPoint verbessert Chart-Verständnis von MLLMs um 5 %</h1> <p>In einer kürzlich veröffentlichten Studie auf arXiv wird ein innovativer Ansatz vorgestellt, der multimodale Large Language Models (MLLMs) dabei unterstützt, Diagramme präziser zu interpretieren. Der Kern des Problems liegt darin, dass aktuelle Modelle stark auf OCR-Ergebnisse angewiesen sind, was bei wenigen Textangaben zu numerischen Halluzinationen führt und die visuelle Wahrnehmung vernachlässigt.</p> <p>Um diese Lücke zu

arXiv – cs.AI 02.12.2025 05:00

Forschung

Kognitive Inception: Agentisches Denken bekämpft visuelle Täuschungen durch Skepsis

Mit dem rasanten Aufstieg von KI-generierten Inhalten stehen multimodale Large Language Models (LLMs) vor einer neuen Herausforderung: Sie…

arXiv – cs.AI 25.11.2025 05:00

Forschung

ChemLabs revolutioniert chemische Problemlösung: 93,6/100 bei IChO 2025 Benchmark

Die International Chemistry Olympiad (IChO) 2025 liefert nun ein neues, hochqualitatives Benchmark‑Set namens ChemO, das speziell für die B…

arXiv – cs.AI 21.11.2025 05:00

Forschung

WebRSSBench: MLLM‑Tests für Web‑Reasoning, Robustheit und Sicherheit

Ein neues Benchmark‑Set namens WebRSSBench wurde vorgestellt, um multimodale große Sprachmodelle (MLLMs) in ihrer Fähigkeit zu prüfen, komp…

arXiv – cs.AI 29.09.2025 05:00

Forschung

WebSight: Vision-basierter Web-Agent setzt neue Maßstäbe

Mit WebSight wird die Interaktion mit dem Web neu definiert: Der Agent arbeitet ausschließlich über visuelle Wahrnehmung und benötigt keine…

arXiv – cs.AI 26.08.2025 05:00

Forschung

SEAM: Benchmark prüft, ob Vision‑Language‑Modelle Modalitäten verstehen

Ein neues Benchmark‑Set namens SEAM (Semantically Equivalent Across Modalities) wurde vorgestellt, um die Konsistenz von Vision‑Language‑Mo…

arXiv – cs.AI 26.08.2025 05:00

Forschung

VLMs simulieren Sehbehinderung – Infos + Beispiele steigern Genauigkeit

Eine neue Untersuchung zeigt, dass Sprachmodelle wie GPT‑4o die visuelle Wahrnehmung von Menschen mit Sehbehinderung simulieren können, wen…

arXiv – cs.AI 18.08.2025 05:00

Finde Modelle, Firmen und Themen

MapTab: Neue Benchmark für multimodale Routenplanung

Neue Methode misst visuelle Erkundung im Fußball präzise

VLMs im autonomen Fahren: Textbias in synthetischen MCQAs drastisch reduziert

DeepVision-103K: Vielfältiges, breit abgedecktes Mathe-Dataset für multimodale KI

Lang2Act: Selbstentwickelte Sprachwerkzeuge verbessern visuelle Wahrnehmung

RL verfeinert visuelles Denken: Fokus auf Transformer-Schichten

GUI‑Eyes: Aktive visuelle Wahrnehmung steigert GUI‑Agenten um 44,8 % Genauigkeit

Neues Framework stärkt visuelle Wahrnehmung in multimodalen Lernmodellen

V2P: GUI-Element-Positionierung durch Hintergrundunterdrückung und Zentrierung

Kognitive Inception: Agentisches Denken bekämpft visuelle Täuschungen durch Skepsis

ChemLabs revolutioniert chemische Problemlösung: 93,6/100 bei IChO 2025 Benchmark

WebRSSBench: MLLM‑Tests für Web‑Reasoning, Robustheit und Sicherheit

WebSight: Vision-basierter Web-Agent setzt neue Maßstäbe

SEAM: Benchmark prüft, ob Vision‑Language‑Modelle Modalitäten verstehen

VLMs simulieren Sehbehinderung – Infos + Beispiele steigern Genauigkeit

🍪 Cookie-Einstellungen

GUI‑Eyes: Aktive visuelle Wahrnehmung steigert GUI‑Agenten um 44,8 % Genauigkeit

ChemLabs revolutioniert chemische Problemlösung: 93,6/100 bei IChO 2025 Benchmark

VLMs simulieren Sehbehinderung – Infos + Beispiele steigern Genauigkeit