Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind3. Mai 2024 · Q001344

Google DeepMind at ICLR 2024

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Google DeepMind kündigt für die ICLR 2024 mehr als 70 Arbeiten an und hebt Forschung zu Sprachmodell-Agenten, 3D-Szenen aus Videos, Codegenerierung und -optimierung sowie Grundlagen des Lernens hervor. Die beschriebenen Ergebnisse und Leistungsverbesserungen sind Angaben des Unternehmens; der Überblick liefert keine ausführlichen Versuchsdaten oder unabhängige Bestätigung.

Mittel

Der Beitrag gibt einen Überblick über ausgewählte Arbeiten, die Google DeepMind auf der ICLR 2024 vorstellen wollte; insgesamt seien mehr als 70 Beiträge geplant gewesen. Die Themen reichen von Sprachmodell-Agenten bis zu theoretischen Fragen des Lernens. WebAgent soll aus Erfahrung komplexe Aufgaben auf echten Websites bewältigen. Weitere Ansätze sollen Sprachmodellen den Werkzeuggebrauch und sozial akzeptablere Antworten ermöglichen.

Für visuelle Aufgaben beschreibt der Text DyST, das aus Videos einer einzelnen Kamera 3D-Szenen ableiten und veränderte Ansichten erzeugen soll. ExeDec zerlegt Programmieraufgaben in Teilprobleme. Eine weitere Arbeit stellt einen Benchmark zur Codeoptimierung vor; laut den Forschenden übertreffen die daraus entwickelten Strategien von Menschen geschriebene Optimierungen. Weitere Beiträge befassen sich mit Vorhersage und Reinforcement Learning, angenäherten Kausalmodellen, Unsicherheitsschätzung und Verhandlungen nahe einem Nash-Gleichgewicht.

Der Text ist eine Unternehmensvorschau auf Konferenzforschung. Er enthält kaum Versuchsdetails und keine unabhängige Prüfung der Leistungsbehauptungen. Außerdem kündigt er eine Keynote, Demonstrationen und die Unterstützung von Initiativen für Vielfalt in der KI-Community an.

Ausführlich lesen

Der Bericht kündigt Google DeepMinds Beiträge zur ICLR 2024 an, die vom 7. bis 11. Mai in Wien stattfinden sollte. Forschungschefin Raia Hadsell sollte in einer Keynote auf die Entwicklung des Fachgebiets in den vergangenen 20 Jahren eingehen. Das Unternehmen plante außerdem Live-Demonstrationen zu Robotik, Gemma und weiteren Anwendungen. Laut Beitrag wollten Teams von Google DeepMind mehr als 70 Arbeiten präsentieren; der Text hebt ausgewählte Forschung hervor.

Ein Themenfeld sind handlungsfähige Sprachmodell-Agenten. Der Beitrag stellt WebAgent vor, der aus eigener Erfahrung lernen soll, komplexe Aufgaben auf echten Websites zu bearbeiten. Weitere Arbeiten sollen die Problemlösefähigkeit von Sprachmodellen durch den Einsatz von Werkzeugen verbessern und sozial akzeptablere Antworten fördern. Für Letzteres beschreibt der Bericht einen Trainingsansatz mit einem simulierten Übungsraum, der gesellschaftliche Werte repräsentieren soll.

Im Bereich visueller Modelle präsentiert Google DeepMind den Dynamic Scene Transformer (DyST). Nach Darstellung des Beitrags kann das Modell aus Videos einer einzelnen realen Kamera dreidimensionale Objekt- und Bewegungsrepräsentationen gewinnen und daraus Videos mit veränderten Kamerawinkeln oder Inhalten erzeugen. Für Programmieraufgaben beschreibt der Text ExeDec: Das Verfahren zerlegt Aufgaben in Teilprobleme und soll dadurch Programmier- und Verallgemeinerungsleistungen verbessern. Eine weitere Arbeit untersucht maschinelles Lernen zur Codeoptimierung und stellt einen Benchmark-Datensatz bereit. Die Autoren berichten, dass die daraus entstehenden Optimierungsstrategien von Menschen entwickelte Optimierungen übertreffen.

Weitere vorgestellte Arbeiten behandeln Grundlagen des Lernens: Eine untersucht den Einfluss vorhersagebasierter Trainingsziele auf Reinforcement Learning und zieht Parallelen zu prädiktionsbezogenen Veränderungen der Gehirnaktivität. Eine andere berichtet, dass fortgeschrittene Modelle ein annäherndes Kausalmodell der Prozesse gelernt hätten, die ihre Trainingsdaten erzeugten. Außerdem beschreibt der Beitrag eine laut Unternehmen einfache und nahezu kostenfreie Verbesserung der Unsicherheitsschätzung in Bayesianischem Deep Learning. Bei Verhandlungen in Spielen, von Poker bis zu Auktionen, werden neue Ansätze zur Annäherung an Nash-Gleichgewichte angekündigt.

Der Beitrag ist ein Überblick und eine Vorschau des Unternehmens auf ausgewählte Konferenzarbeiten. Er schildert die Verfahren und Ergebnisse überwiegend aus Sicht der Forschenden, liefert aber keine ausführlichen Versuchsdetails, Vergleichsdaten oder unabhängige Überprüfung der genannten Leistungsansprüche. Zum Abschluss verweist Google DeepMind auf seine ICLR-Unterstützung sowie Partnerschaften mit Queer in AI und Women in Machine Learning.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Lunas Zusammenfassungen (kurz und mittel) wurden gemeinsam geprüft; beide geben den Bericht sachlich korrekt wieder. Die Einordnung bewertet nur die drei genannten Sammelfragen, da für keine Teilfrage Einordnungen angegeben sind.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 33 %gleiches Oberthema, hilft nicht
    • Luna 32 %einzelne zitierbare Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 32 %nur am Rande erwähnt
    • SubQ 64 %gleiches Oberthema, hilft nicht
    • drex 63 %gleiches Oberthema, hilft nicht
    • d3-ultra 69 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 26 %Hintergrund, keine Belege
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 34 %nur am Rande erwähnt
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 40 %nur am Rande erwähnt
    • JEV 38 %einzelne zitierbare Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 34 %nur am Rande erwähnt
    • JEV 35 %Hintergrund, keine Belege
    • amos 34 %nur am Rande erwähnt
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 51 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →