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
deepmind1. August 2025 · Q005613

Visual Intention Grounding for Egocentric Assistants

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der bereitgestellte Text ist nur ein Abstract-Auszug. Er stellt EgoIntention für das Erkennen von Objekten anhand indirekter Absichten aus der Ich-Perspektive sowie das RoG-Training vor; laut Abstract verbessert RoG die Benchmark-Leistung gegenüber Vergleichstrainings, während Details und Messwerte hier fehlen.

Mittel

Der bereitgestellte Bericht ist ein Auszug: Er enthält nur den Abstract und bibliografische Angaben, nicht die vollständige Studie. Vorgestellt wird EgoIntention, laut den Autorinnen und Autoren der erste Datensatz für visuelles Grounding von Absichten in der Ich-Perspektive. Modelle sollen darin passende Objekte erkennen, obwohl diese nur indirekt über Bedürfnisse oder Absichten beschrieben werden, und zugleich irrelevante Kontextobjekte übergehen sowie ungewöhnliche Objektfunktionen verstehen.

Der Abstract berichtet, aktuelle multimodale Sprachmodelle verwechselten häufig Kontextobjekte und hätten Schwächen beim Verständnis solcher Funktionen. Als Lösung beschreiben die Autorinnen und Autoren Reason-to-Ground (RoG), ein Training, das normale Beschreibungen und Ich-Perspektiv-Absichten verbindet und Absichtsüberlegung mit Objektzuordnung verkettet. Laut Abstract schneidet RoG auf EgoIntention deutlich besser ab als einfaches Fine-Tuning und hybrides Training; bei gewöhnlichen Beschreibungen bleibt die Leistung gleich oder steigt leicht. Konkrete Zahlen, Details zum Versuchsaufbau und weitere Grenzen sind im Auszug nicht enthalten. Der Beitrag erschien bei ICCV 2025.

Ausführlich lesen

Der bereitgestellte Bericht enthält nur den Abstract sowie Angaben zu Autorinnen und Autoren und zum Publikationsort; die vollständige Studie liegt nicht vor. Der Abstract stellt EgoIntention vor, einen Datensatz für visuelles Grounding aus der Ich-Perspektive. Dabei sollen Modelle eine sprachliche Beschreibung mit dem passenden Bildobjekt verknüpfen, auch wenn das Objekt nicht direkt benannt wird, sondern sich aus einem Bedürfnis oder einer Absicht ergibt. Als Herausforderung nennt der Abstract, irrelevante Gegenstände im Kontext zu ignorieren und ungewöhnliche Objektfunktionen zu verstehen.

Laut den Autorinnen und Autoren zeigen Benchmark-Ergebnisse, dass aktuelle multimodale Sprachmodelle in solchen Ansichten häufig Kontextobjekte falsch zuordnen und deren mögliche Funktionen nicht ausreichend erfassen. Als Trainingsansatz schlagen sie Reason-to-Ground (RoG) vor: Das Verfahren kombiniert gewöhnliche Beschreibungen mit absichtsbezogenen Formulierungen aus der Ich-Perspektive und verbindet Absichtsüberlegungen mit der anschließenden Objektzuordnung.

Dem Abstract zufolge übertrifft RoG einfaches Fine-Tuning und hybrides Training auf EgoIntention deutlich. Bei der Zuordnung anhand gewöhnlicher Beschreibungen bleibe die Leistung erhalten oder verbessere sich leicht. Die Autorinnen und Autoren sehen darin einen Schritt zu einem einheitlichen visuellen Grounding für Ich- und Außenperspektiven sowie für ausdrücklich benannte Objekte und indirekte menschliche Absichten. Da nur der Abstract vorliegt, enthält der bereitgestellte Text keine Einzelheiten zu Datensatzumfang, Versuchsaufbau, konkreten Messwerten oder weiteren Einschränkungen. Der Beitrag ist ICCV 2025 zugeordnet.

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

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 7 von 7
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle

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 →