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
deepmind11. November 2025 · Q003936

Teaching AI to See the World More Like Humans Do

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt AligNet vor: Ein Lehrermodell erweitert wenige menschliche Ähnlichkeitsurteile aus dem THINGS-Datensatz zu Millionen Beispielen, mit denen weitere Vision-Modelle trainiert werden. Laut den Autoren stimmen diese danach häufiger mit Menschen überein und schneiden auch bei Aufgaben mit wenigen Beispielen sowie veränderten Bildverteilungen besser ab; weitere Ausrichtungsarbeit bleibt nötig.

Mittel

Der Bericht beschreibt eine Methode, um visuelle KI-Modelle stärker an menschlichen Vorstellungen von Ähnlichkeit auszurichten. In Aufgaben, bei denen aus drei Bildern das unpassendste gewählt werden soll, wichen Modelle laut den Autoren häufig von Menschen ab und orientierten sich teils stärker an oberflächlichen Merkmalen.

Das Verfahren nutzt zunächst menschliche Urteile aus dem kleinen THINGS-Datensatz, um einen Adapter für ein vortrainiertes Modell zu trainieren. Dieses Lehrermodell erzeugt dann Millionen weiterer Urteile für den Datensatz AligNet. Mit AligNet werden anschließend andere Modelle feinabgestimmt. Laut Bericht ordnen diese ihre Repräsentationen danach stärker entlang menschlicher Kategorien und Ähnlichkeitshierarchien.

In kognitionswissenschaftlichen Aufgaben stimmten die ausgerichteten Modelle häufiger mit menschlichen Urteilen überein. Die Autoren berichten außerdem von besseren Ergebnissen beim Lernen aus wenigen Beispielen und bei veränderten Bildverteilungen. Sie werten dies als Hinweis auf robustere Modelle, betonen aber, dass weitere Ausrichtungsarbeit nötig ist. Der Beitrag liefert hier keine konkreten Leistungszahlen oder detaillierten statistischen Angaben. Er erklärt zudem, dass der kleine THINGS-Datensatz für direktes Fine-Tuning nicht ausreichte, ohne Überanpassung und Fähigkeitsverlust zu riskieren.

Ausführlich lesen

Der Bericht stellt eine von Andrew Lampinen und Klaus Greff beschriebene Methode vor, mit der visuelle KI-Modelle ihre Bildrepräsentationen stärker an menschlichen Ähnlichkeitsurteilen ausrichten sollen. Die Autoren argumentieren, dass Modelle zwar viele einzelne Objekte erkennen können, aber Beziehungen zwischen übergeordneten Konzepten teils anders erfassen als Menschen. So könnten sie etwa bei Bildern von Fuchs, Seestern und Katze stärker auf oberflächliche Merkmale wie Hintergrundfarbe und Textur achten und deshalb eine andere Auswahl als die meisten Menschen treffen.

Untersucht wurde dies unter anderem mit der kognitionswissenschaftlichen „Odd-one-out“-Aufgabe: Menschen und Modelle wählen aus drei Bildern dasjenige aus, das am wenigsten zu den anderen passt. Wo Menschen sich einig sind, Modelle aber abweichen, sehen die Autoren eine systematische Diskrepanz zwischen menschlichen und maschinellen visuellen Repräsentationen. Nach ihrer Darstellung trat diese bei unterschiedlichen Modelltypen auf.

Die vorgeschlagene Ausrichtung erfolgt in drei Schritten. Zunächst trainierten die Forschenden auf dem vergleichsweise kleinen THINGS-Datensatz einen Adapter für ein vortrainiertes SigLIP-SO400M-Modell, während das Hauptmodell eingefroren und das Adaptertraining regularisiert wurde. Damit sollte ein Lehrermodell entstehen, das menschlichen Urteilen näherkommt, ohne seine bisherigen Fähigkeiten zu verlieren. Dieses Modell erzeugte anschließend Millionen von Ähnlichkeitsurteilen für eine Million Bilder. Der daraus erstellte Datensatz heißt AligNet. Mit ihm wurden weitere Modelle – die sogenannten Schülermodelle – feinabgestimmt.

Laut Bericht verändert sich dadurch die interne Organisation der Modelle: Ähnliche Kategorien rücken näher zusammen, während stärker voneinander entfernte Kategorien auseinandergerückt werden. Die Autoren beschreiben dies als Annäherung an die Hierarchie menschlichen Wissens, obwohl die Schülermodelle nicht ausdrücklich auf diese Hierarchie hin überwacht worden seien.

Getestet wurden die ausgerichteten Modelle mit mehreren Aufgaben aus der Kognitionswissenschaft, darunter Mehrfachanordnungen von Bildern nach Ähnlichkeit, sowie mit einem eigens erhobenen Datensatz namens Levels. Nach Darstellung der Autoren stimmten die Modelle bei diesen Aufgaben deutlich häufiger mit menschlichen Urteilen überein. Außerdem habe die Unsicherheit der Modellentscheidungen mit der Zeit zusammengehangen, die Menschen für ihre Entscheidungen benötigten – einer im Bericht als häufig verwendeter Näherungswert für Unsicherheit bezeichneten Messgröße.

Die Autoren berichten auch von besseren Ergebnissen bei wenigen Beispielen für eine neue Kategorie und bei veränderten Bildverteilungen. Sie folgern daraus, dass eine stärkere Übereinstimmung mit menschlichen Urteilen in ihren Versuchen zugleich mit allgemein leistungsfähigeren und zuverlässigeren Vision-Modellen einherging. Der Beitrag versteht die Methode als möglichen Schritt zu robusteren, vertrauenswürdigeren Systemen. Er betont jedoch, dass weitere Arbeit zur Ausrichtung nötig sei. Zudem erklärt er, der THINGS-Datensatz mit wenigen tausend Bildern sei für ein direktes Fine-Tuning zu klein gewesen und habe dabei Überanpassung sowie den Verlust vorheriger Fähigkeiten begünstigt. Der Blogbeitrag nennt in dem vorliegenden Text keine konkreten Leistungswerte oder detaillierten statistischen Ergebnisse; seine Aussagen zu den Verbesserungen bleiben daher hier qualitativ.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich allein auf den Bericht und wurde unabhängig von Lunas Stufen vergeben. Die kurze Zusammenfassung enthält den Fehler 'wenige Urteile'; die mittlere Zusammenfassung ist im Kern treu.

Im Bericht, aber nicht in der Zusammenfassung

  • Der neue Odd-one-out-Datensatz Levels, mit dem die Autoren die Ausrichtung getestet haben.
  • Die Befundung, dass die Unsicherheit der Modelle stark mit der menschlichen Entscheidungszeit korreliert.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Angabe 'wenige menschliche Ähnlichkeitsurteile' im THINGS-Datensatz widerspricht dem Bericht, der von Millionen solcher Urteile spricht.

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
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
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 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 54 % · umfangreiche Belege · Haiku-Prüfung: Stufe 5 · umfangreiche Belege
    • SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 53 %einzelne zitierbare Belege
    • JEV 22 %einzelne zitierbare Belege
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

  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 41 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
    • clef 100 %kein Bezug
    • Luna 39 %einzelne zitierbare Belege
    • JEV 30 %gleiches Oberthema, hilft nicht
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 25 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 66 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

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 →