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
deepmind5. Dezember 2024 · Q003016

Google DeepMind at NeurIPS 2024

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Google DeepMind kündigt für NeurIPS 2024 mehr als 100 Arbeiten zu KI-Agenten, 3D-Erstellung und Sprachmodelltraining an. Der Beitrag beschreibt unter anderem neue Datensätze und Verfahren und berichtet teils erhebliche Leistungs- und Effizienzgewinne, liefert jedoch nur wenige ausführliche Versuchsdaten oder Einschränkungen.

Mittel

Der Beitrag gibt einen Überblick über die Forschung, die Google DeepMind auf der NeurIPS 2024 vorstellen wollte: mehr als 100 Arbeiten sowie zwei mit Test-of-Time-Preisen ausgezeichnete frühere Veröffentlichungen. Die Themen reichen von KI-Agenten und 3D-Simulation bis zum Training großer Sprachmodelle.

Für Agenten nennt der Text AndroidControl, einen Datensatz mit über 15.000 menschlichen Demonstrationen aus mehr als 800 Apps, sowie Methoden, die aus unvollkommenen Beispielen Aufgabenmuster ableiten sollen. Auch die Messung zielgerichteten Verhaltens und der Einfluss von Nutzerwahrnehmung auf Sicherheitsfilter werden angesprochen. Bei 3D-Anwendungen soll CAT3D Inhalte aus Bildern oder Text erzeugen, SDF-Sim große Szenen effizienter simulieren und Neural Assets gezielte Änderungen an Objekten in Bildern ermöglichen.

Für Sprachmodelle beschreibt der Beitrag Ansätze zu Lernen mit vielen Beispielen, Modellgröße bei begrenztem Rechenbudget, umgekehrter Sprachmodellierung und automatischer Auswahl lernbarer Trainingsdaten. Für JEST werden bis zu 13-mal weniger Trainingsrunden und zehnmal weniger Rechenaufwand angegeben. Der Artikel ist eine Vorschau und berichtet überwiegend die von Google DeepMind behaupteten Vorteile; ausführliche Versuchsdaten und Grenzen werden kaum genannt.

Ausführlich lesen

Der Bericht stellt die für NeurIPS 2024 angekündigte Forschung von Google DeepMind vor. Die Konferenz sollte vom 10. bis 15. Dezember in Vancouver stattfinden. Laut Beitrag würden mehr als 100 neue Arbeiten aus Teams von Google DeepMind präsentiert, unter anderem zu KI-Agenten, generativen Medien und Lernverfahren. Zwei frühere Arbeiten sollten mit Test-of-Time-Preisen ausgezeichnet werden: „Sequence to Sequence Learning with Neural Networks“ und „Generative Adversarial Nets“. Außerdem kündigt der Beitrag Vorführungen zu Gemma Scope, Musikgenerierung und Wettervorhersage an.

Ein Schwerpunkt sind adaptive und sichere KI-Agenten. AndroidControl wird als vielfältiger Datensatz mit mehr als 15.000 von Menschen erstellten Demonstrationen aus über 800 Apps beschrieben. Mit ihm trainierte Agenten hätten deutliche Leistungsverbesserungen gezeigt. Ein weiteres Verfahren soll Agenten helfen, aus unvollkommenen Demonstrationen und natürlicher Sprachrückmeldung wiederkehrende Aufgabenmuster abzuleiten. Der Beitrag behandelt auch Sicherheit: Vorgestellt würden ein theoretischer Ansatz zur Messung zielgerichteten Verhaltens und Untersuchungen dazu, wie die Wahrnehmung eines Nutzers durch ein Modell dessen Sicherheitsfilter beeinflussen kann. Daraus leitet der Beitrag die Bedeutung belastbarer Schutzmaßnahmen ab.

Im Bereich 3D-Erstellung und Simulation beschreibt der Bericht CAT3D, das aus einer oder mehreren Bildern oder auch einer Texteingabe 3D-Inhalte erzeugen könne. Dazu generiere ein Mehransichten-Diffusionsmodell zusätzliche, zueinander passende Perspektiven, die anschließend in herkömmliche 3D-Modellierung einflössen. Der Beitrag behauptet, CAT3D übertreffe frühere Verfahren bei Geschwindigkeit und Qualität; konkrete Vergleichsdaten nennt der Text nicht. SDF-Sim soll die Kollisionsprüfung beschleunigen und damit Simulationen mit vielen komplexen starren Objekten effizienter machen. Neural Assets wiederum soll aus dynamischen Videos gelernte, objektspezifische Darstellungen nutzen, um Objekte in Bildern gezielt zu verschieben, drehen, skalieren oder auszutauschen.

Ein weiterer Abschnitt behandelt Training und Antworten großer Sprachmodelle. Die Forschenden untersuchten laut Beitrag, wie sich das Lernen aus sehr vielen Beispielen im Kontext mit weniger manuell kuratierten Daten anpassen lässt, und wie bei festem Rechenbudget eine passende Modellgröße gewählt werden kann. Time-Reversed Language Models erzeugen aus einer vorgegebenen Antwort mögliche Fragen. In Kombination mit einem herkömmlichen Sprachmodell könne dies laut Bericht die Befolgung von Anweisungen, Zitate in Zusammenfassungen und Sicherheitsfilter verbessern. Der Algorithmus Joint Example Selection wählt besonders lernbare Datenbeispiele aus; der Beitrag nennt bis zu 13-mal weniger Trainingsrunden und zehnmal weniger Rechenaufwand sowie bessere Ergebnisse als multimodale Vergleichsverfahren. Schließlich wird Planung in unsicheren Umgebungen als eigene Form probabilistischer Inferenz eingeordnet und ein Rahmen zur Bewertung verschiedener Inferenzansätze vorgestellt.

Der Beitrag ist eine Vorschau und Selbstdarstellung der Konferenzbeiträge. Er nennt überwiegend erwartete Fähigkeiten und berichtete Leistungsgewinne, enthält aber kaum ausführliche Versuchsdetails oder Einschränkungen. Abschließend erwähnt Google DeepMind seine Rolle als Diamond Sponsor und die Unterstützung von Women in Machine Learning, LatinX in AI und Black in AI.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die Zusammenfassung „mittel“ als Hauptfassung; die Kurzfassung „kurz“ ist ebenfalls treu, aber stärker verkürzt. Die Aussage, der Text nenne kaum Versuchsdaten oder Grenzen, ist eine zutreffende Einschätzung, keine erfundene Tatsache.

Im Bericht, aber nicht in der Zusammenfassung

  • Namen der beiden Test-of-Time-Arbeiten (Sequence to Sequence Learning, Generative Adversarial Nets)
  • Planung als eigene Form probabilistischer Inferenz mit Ranking von Inferenzverfahren
  • Live-Demonstrationen (Gemma Scope, Musikgenerierung, Wettervorhersage)
  • Konferenzdaten (10.–15. Dezember 2024, Vancouver)
  • Diamond-Sponsoring und Unterstützung von Communities wie Women in ML, LatinX in AI und Black in AI

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
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 27 %gleiches Oberthema, hilft nicht
    • Luna 40 %gleiches Oberthema, hilft nicht
    • JEV 25 %einzelne zitierbare Belege
    • amos 32 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 61 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 43 %Hintergrund, keine Belege
    • JEV 30 %gleiches Oberthema, hilft nicht
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra 69 %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 22 %Hintergrund, keine Belege
    • JEV 31 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 25 %einzelne zitierbare Belege
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 20 %Hintergrund, keine Belege
    • Luna 47 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 28 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %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 26 %Hintergrund, keine Belege
    • JEV 25 %Hintergrund, keine Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 43 %Hintergrund, keine Belege
    • JEV 55 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 61 %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 24 %Hintergrund, keine Belege
    • Luna 44 %einzelne zitierbare Belege
    • JEV 55 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 37 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 32 %gleiches Oberthema, hilft nicht
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 34 %nur am Rande erwähnt
    • amos 28 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 63 %gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 64 %Hintergrund, keine Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 63 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 31 %nur am Rande erwähnt
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 65 %gleiches Oberthema, hilft nicht
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
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 →