Measuring perception in AI models
Zusammenfassung
Kurz
Der Bericht stellt einen Benchmark mit 11.609 realen Videos vor, der multimodale KI in sechs Aufgaben prüft – von Objekt- und Tonverfolgung bis zur Beantwortung von Videofragen. Er beschreibt Datensatz und Auswertung, veröffentlicht aber keine konkreten Modellresultate; Rangliste und Challenge-Server waren noch angekündigt.
Mittel
DeepMind stellt den „Perception Test“ vor, einen Benchmark, der multimodale KI anhand realer Videos und Tonaufnahmen prüfen soll. Die Autorinnen und Autoren halten bestehende Tests für zu spezialisiert: Sie erfassen oft nur einzelne Aspekte der Wahrnehmung und verbinden selten Bild und Ton.
Der Benchmark umfasst sechs Aufgaben: Objekt- und Punktverfolgung, zeitliche Lokalisierung von Handlungen und Geräuschen sowie zwei Formen der Video-Fragebeantwortung. Geprüft werden sollen unter anderem das Erkennen von Gegenständen, Bewegung und räumlichen Beziehungen, zeitliches Schlussfolgern und Mustererkennung. Grundlage sind laut Bericht 11.609 durchschnittlich 23 Sekunden lange Videos, aufgenommen von mehr als 100 Personen anhand von 37 Skripten. Die Aufnahmen wurden mit Objektspuren, Handlungsmomenten, Geräuschen und Fragen samt Antworten versehen.
Für die Auswertung wird Vortraining mit externen Daten vorausgesetzt. 20 Prozent der Daten können optional zum Fine-Tuning dienen; der Testsatz bleibt zurückgehalten und wird über einen Evaluationsserver ausgewertet. Der Bericht erläutert die Aufgaben und das Auswertungskonzept, nennt aber keine konkreten Modellleistungen. Eine Rangliste und ein Challenge-Server waren zum Zeitpunkt des Beitrags erst angekündigt; weitere Aufgaben und Sprachen werden als mögliche Erweiterungen genannt.
Ausführlich lesen
Der Bericht stellt den „Perception Test“ vor, einen Benchmark von DeepMind zur Bewertung multimodaler KI-Modelle anhand von Videos und Audiodaten aus realen Situationen. Die Autorinnen und Autoren argumentieren, dass Wahrnehmung ein wichtiger Teil intelligenter Systeme sei und bestehende Benchmarks meist nur einzelne Fähigkeiten abdeckten. Bildtests ließen etwa zeitliche Aspekte aus, visuelle Frage-Antwort-Aufgaben konzentrierten sich häufig auf die Bedeutung einer Szene, und nur wenige Tests verbänden Bild und Ton. Für allgemeiner angelegte multimodale Modelle habe deshalb ein gemeinsamer, breiterer Prüfmaßstab gefehlt.
Der Benchmark umfasst sechs Aufgaben: Objekte und ausgewählte Bildpunkte über ein Video hinweg verfolgen, auch wenn sie verdeckt sind; Handlungen und Geräusche zeitlich lokalisieren und klassifizieren; Fragen zu einem Video mit einer von drei Antworten lösen; sowie Fragen beantworten, indem passende Objektspuren zurückgegeben werden. Die Aufgaben sollen laut Bericht unterschiedliche Fähigkeiten prüfen, darunter das Erkennen von Gegenständen, Handlungen und Geräuschen, das Verständnis von Bewegung, Kollisionen und räumlichen Beziehungen, zeitliches Schlussfolgern und Erinnern sowie das Erkennen von Mustern und Formen.
Für die Datengrundlage entwarf das Team 37 Skripte zu einfachen Spielen und Alltagsaktivitäten. Varianten davon wurden von jeweils mindestens zwölf Personen gefilmt; insgesamt wirkten laut Bericht mehr als 100 Teilnehmerinnen und Teilnehmer mit. So entstanden 11.609 Videos mit einer durchschnittlichen Länge von 23 Sekunden. Mitwirkende annotierten unter anderem Objekt- und Punktspuren sowie zeitliche Abschnitte von Handlungen und Geräuschen. Fragen und Antworten wurden ebenfalls erstellt beziehungsweise von Teilnehmenden beantwortet. Das Team berichtet, bei der Auswahl der Filmenden auf eine vielfältige Beteiligung nach Ländern, ethnischer Zugehörigkeit und Geschlecht geachtet zu haben.
Bei der Auswertung wird vorausgesetzt, dass Modelle bereits mit externen Daten und Aufgaben vortrainiert wurden. Die Ersteller können optional 20 Prozent des Datensatzes zum Fine-Tuning nutzen. Die übrigen 80 Prozent teilen sich in einen öffentlichen Validierungsteil und einen zurückgehaltenen Testsatz, dessen Ergebnisse nur über einen Evaluationsserver geprüft werden können. Der Bericht beschreibt Auswertungen über die sechs Aufgaben und weitere Dimensionen, etwa Situationen und erforderliche Schlussfolgerungen bei den Frage-Antwort-Aufgaben. Damit soll die Bewertung Stärken und Schwächen detaillierter aufzeigen als eine einzelne Gesamtzahl.
Der Beitrag beschreibt den Benchmark und sein geplantes Einsatzgebiet, berichtet aber keine konkreten Modellresultate oder einen Nachweis, dass er Wahrnehmung umfassend messen kann. DeepMind kündigt an, dass Rangliste und Challenge-Server bald verfügbar sein sollen, und nennt zusätzliche Annotationen, Aufgaben, Messgrößen und Sprachen als mögliche spätere Erweiterungen. Der Datensatz und ein ausführlicher Forschungsbericht werden als öffentlich verfügbar bezeichnet.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die Einordnung stützt sich allein auf den Bericht. Lunas Anteilsangaben wurden nicht übernommen, da sie keine Entsprechung im Quelltext haben.
Im Bericht, aber nicht in der Zusammenfassung
- Die Teilnehmenden wurden nach Ländern, Ethnien und Geschlecht ausgewählt, um Vielfalt zu sichern
- Der Benchmark ist öffentlich auf GitHub verfügbar
- Der Workshop zu allgemeinen Wahrnehmungsmodellen auf der ECCV 2022 am 23. Oktober 2022
In der Zusammenfassung, laut Prüfung nicht im Bericht belegt
- Tonverfolgung in der Kurzfassung: Der Bericht nennt zeitliche Geräuschlokalisierung, keine Tonverfolgung
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 39 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 37 %gleiches Oberthema, hilft nicht
- drex 39 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 26 %gleiches Oberthema, hilft nicht
- amos 34 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 41 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 23 %gleiches Oberthema, hilft nicht
- amos 34 %gleiches Oberthema, hilft nicht
- SubQ 43 %gleiches Oberthema, hilft nicht
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F5 Wie gehen Staaten gemeinsam gegen KI-gestützte Cyberangriffe vor und verhindern Eskalation zwischen autonomen Systemen, ohne die Verteidigung zu behindern?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 30 %einzelne zitierbare Belege
- amos 49 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 47 %Hintergrund, keine Belege
- JEV 47 %einzelne zitierbare Belege
- amos 28 %gleiches Oberthema, hilft nicht
- SubQ 37 %gleiches Oberthema, hilft nicht
- drex 35 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung Hintergrund, keine Belege
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 52 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 33 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 40 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 47 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 52 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 60 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- 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 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 34 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 41 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 59 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- 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 100 %kein Bezug
- JEV 31 %Hintergrund, keine Belege
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 50 %gleiches Oberthema, hilft nicht
- JEV 100 %kein Bezug
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 57 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Modelle teilen und schützen
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 55 %Hintergrund, keine Belege
- JEV 27 %gleiches Oberthema, hilft nicht
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung nur am Rande erwähnt
Frieden und Sicherheit
- SF-K2 Wie weit gelten KI-Abkommen für Verbündete und Geheimdienste, und wie verhalten sie sich zu bestehenden Rüstungskontrollverträgen und -regimen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 29 %einzelne zitierbare Belege
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 43 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-O3 Welcher Text gilt, und wie beweist man, dass ein Dokument nicht verändert wurde?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 47 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 55 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 85 %Hintergrund, keine Belege
- JEV 41 %einzelne zitierbare Belege
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 47 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- 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 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 49 %gleiches Oberthema, hilft nicht
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 41 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Weitere Berichte zu diesen Fragen
- Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Alle Berichte im Archiv