Vergleich multimodaler KI-Modelle in Bezug auf visuelles Reasoning
Wir haben 15 führende multimodale KI-Modelle im Bereich visuelles Reasoning mit 200 visuellen Fragen getestet. Die Bewertung bestand aus zwei Tracks: 100 Fragen zum Verständnis von Diagrammen, die die Interpretation von Datenvisualisierungen testeten, und 100 Fragen zur visuellen Logik, die Mustererkennung und räumliches Reasoning bewerteten. Jede Frage wurde 5 Mal ausgeführt, um konsistente und zuverlässige Ergebnisse zu gewährleisten.
Benchmark für visuelles Reasoning
Siehe unsere Benchmark-Methodik, um unsere Testverfahren zu erfahren.
gemini-3.1-pro-preview und gemini-3-pro-preview führen die Rangliste an. Ihnen folgen gpt-5.2, kimi-k2.5 und gpt-5.2-pro, die die nächste Gruppe von Modellen anführen. Während die meisten Modelle bei datengesteuerten Aufgaben gut abschneiden, besteht bei llama-4-maverick eine Lücke in der Verbindung von visuellen Eingaben mit logischen Schritten.
Visuelle Logik
Visuelle Logik erfordert Mustererkennung und räumliches Reasoning. gemini-3.1-pro-preview führt den Test für visuelle Logik an und zeigt die höchste Leistung bei Aufgaben zum abstrakten Reasoning. Viele Modelle zeigen im Vergleich zu den Ergebnissen der Diagrammanalyse einen Leistungsabfall. llama-4-maverick zeigt bei diesen Aufgaben eine Einschränkung.
Verständnis von Diagrammen
Modelle zeigen beim Interpretieren von Diagrammen eine bessere Kompetenz als bei der visuellen Logik. gemini-3.1-pro-preview erzielt die höchste Punktzahl bei Tests zum Verständnis von Diagrammen, gefolgt von gemini-3-pro-preview und gemini-2.5-pro, was eine starke Fähigkeit zum Decodieren strukturierter Daten und Visualisierungen zeigt. claude-opus-4.6 und claude-sonnet-4.6 zeigen beim Interpretieren von Diagrammen höhere Ergebnisse als bei ihren Logik-Scores. Datengesteuerte visuelle Aufgaben sind für aktuelle multimodale Modelle zugänglicher als Mustererkennung.
Statistische Zuverlässigkeit der Leistung beim visuellen Reasoning (95% CI)
Wir haben die 95% Konfidenzintervalle (CI) durch 10.000 Bootstrap-Resamples berechnet, um die Fehlermarge für jedes Modell zu definieren und den Bereich anzuzeigen, in dem ihre wahre Leistung wahrscheinlich liegt.
Benchmark-Fragen dazu, wo LLMs am besten abschneiden und wo sie am meisten Schwierigkeiten haben
Diagrammfrage mit der niedrigsten Erfolgsrate von LLM
Abbildung 1: Säulendiagramm, das die Star-Verkaufsvolumen über 12 Monate mit vier gruppierten Balken pro Monat (Daten von 1998-2000) zeigt. Jeder Monat zeigt feste, weiße und gestreifte Balken in enger Gruppierung.
Hinweis: Alle Diagramme wurden von Hitbullseye erhalten.1
Frage: Wenn die Verkäufe von drei aufeinanderfolgenden Jahren stetig steigen oder stetig sinken, wird dies als stabiler Trend bezeichnet. Welche Monate zeigen einen stetig steigenden Trend über drei aufeinanderfolgende Jahre?
Beispielsweise war im Juni 1999 der tatsächliche Wert niedriger als 1998, was einen Rückgang zeigt, aber das Modell interpretierte dies fälschlicherweise als stetig steigend. Die meisten Modelle machen bei dieser Frage denselben Fehler.
Wenn 4 Balken pro Monat gruppiert sind, hatten Modelle Schwierigkeiten mit der Zuordnung von Balken zu Jahren und der Wahrnehmung relativer Höhen. Sie konnten nicht genau unterscheiden, welcher gestreifte/feste/weiße Balken zu welchem Jahr gehörte, was dazu führte, dass Balken in der falschen Reihenfolge gelesen oder ihre Höhen verwechselt wurden.
Dies offenbarte eine grundlegende Einschränkung im visuell-räumlichen Reasoning: Aktuelle Modelle fehlten die pixelgenaue Wahrnehmung, die erforderlich ist, um dicht gepackte Balken korrekt zu messen und zu sequenzieren, was zu einer systematischen Fehlidentifizierung von Trends führte.
Diagrammfrage mit der höchsten Erfolgsrate von LLM
Abbildung 2: Säulendiagramm, das die Wahlbeteiligung in indischen Generalwahlen von 1952 bis 1998 in Prozent zeigt. Ein Balken pro Wahljahr mit klarem Abstand zwischen den Balken.
Frage: In welchen Jahren lagen die höchste und die niedrigste Wahlbeteiligung aller Zeiten (in Prozent)?
Alle Modelle haben diese Frage korrekt beantwortet. Dieser Erfolg zeigt, dass Modelle bei der einfachen Identifizierung von Min-Max-Werten glänzen, indem sie den höchsten und den niedrigsten Balken finden.
Im Gegensatz zu den verwirrenden gruppierten 4-Balken-Gruppen hat dieses Diagramm einen einzigen Balken pro Jahr mit klarem Abstand, was einen direkten visuellen Vergleich einfach macht. Modelle schneiden bei rein beobachtenden Aufgaben gut ab, die keine komplexe Zuordnung von Balken zu Kategorien erfordern.
Frage zur visuellen Logik mit der höchsten Erfolgsrate von LLM
Abbildung 3: Zwei ausgerichtete 3×3-Gitter, die algebraisches Muster-Matching zeigen. Das obere Gitter enthält Variablen und ihre Operationen (Multiplikation, Division, Exponenten). Das untere Gitter zeigt numerische Werte, wobei einige Zellen ausgefüllt sind (6, 36, 3/4) und zwei Unbekannte (A, B). Die Frage lautet, B-A zu finden.
Der Erfolg resultierte aus dem klaren mathematischen Muster, das in der Tabellenstruktur sichtbar war (algebraische Beziehungen wie a×b, c×d). Das einfache Gitter-Layout ohne visuelle Komplexität ermöglichte es den Modellen, sich ausschließlich auf numerische Inferenz und logische Deduktion zu konzentrieren.
Modelle glänzen, wenn Probleme explizite mathematische Muster beinhalten, die durch schrittweises Reasoning gelöst werden können, was ihre Stärke in der symbolischen Logik und Mustererkennung demonstriert, wenn visuelle Ablenkungen minimal sind.
Frage zur visuellen Logik mit der niedrigsten Erfolgsrate von LLM
Abbildung 4: Mustererkennungspuzzle mit Kreisen, die verschiedene interne Linienmuster und geometrische Formen enthalten. Zwei Beispiel-Sequenzen mit Pfeilen oben gezeigt, gefolgt von einer Frage, die danach fragt, die dritte Sequenz aus fünf Multiple-Choice-Optionen zu vervollständigen.
Die Schwierigkeit ergibt sich aus der Anforderung an abstrakte visuelle Mustererkennung, um geometrische Transformationsregeln über mehrere Beispiele hinweg zu identifizieren.
Dies erfordert reines räumliches Reasoning, um zu verstehen, wie sich Formen drehen, transformieren und zueinander verhalten. Modelle haben Schwierigkeiten mit der Regelinferenz aus visuellen Sequenzen, wenn keine expliziten numerischen oder textlichen Anleitungen verfügbar sind, sondern nur räumliche Muster.
Was ist visuelles Reasoning?
Visuelles Reasoning ist die Fähigkeit eines Modells, Bilder zu interpretieren, visuelle Elemente zu verbinden und Fragen zu beantworten, die das Verständnis sowohl visueller als auch textlicher Informationen erfordern. Diese Fähigkeit geht über die einfache Objekterkennung hinaus zu Aufgaben wie der Analyse von Datenvisualisierungen, der Identifizierung räumlicher Muster und dem Verständnis von Beziehungen zwischen visuellen Elementen.
Unser Benchmark hat dies durch zwei verschiedene Tracks bewertet, um verschiedene kognitive Aspekte zu testen: Diagrammverständnis, bei dem Modelle Balkendiagramme, Liniendiagramme und Streudiagramme interpretierten, um ihre Fähigkeit zu bewerten, strukturierte Informationen aus Datenvisualisierungen zu extrahieren; und visuelle Logik, bei der sie Mustererkennungspuzzles und räumliche Reasoning-Probleme bewältigten, um abstraktes Reasoning ohne explizite numerische Anleitung zu messen. Diese Aufteilung spiegelt den grundlegenden Unterschied wider, wie Modelle explizite Daten im Gegensatz zu impliziten Mustern verarbeiten.
Modelle erreichen visuelles Reasoning durch verschiedene architektonische Ansätze. Zum Beispiel koordiniert das Cola-Framework mehrere Vision-Language-Modelle, wobei jedes Captions und plausible Antworten liefert, dann bewertet ein zentrales LLM diese Optionen und wählt die genaueste Antwort aus.
Abbildung 5: Grafik, die zeigt, wie Cola ein koordinatives Sprachmodell für visuelles Reasoning nutzt.2
Ein weiteres Beispiel ist das CVR-LLM-Framework, das das Reasoning verbessert, indem es Bilder mithilfe der CaID-Methode in kontextbewusste Beschreibungen umwandelt und relevante Beispiele mit dem CVR-ICL-Verfahren auswählt. Dieses Framework behandelt Bildinformationen als textbasierte Darstellungen, was es dem LLM ermöglicht, Assoziationen bei verschiedenen Arten von multimodalen Aufgaben effektiver zu analysieren.3
Wie visuelles Reasoning in LLMs funktioniert
LLMs nehmen Bilder nicht direkt wahr. Sie verlassen sich auf Vision-Encoder, die Bilder in strukturierte Darstellungen umwandeln, die für Sprachmodelle zugeschnitten sind. Der Encoder identifiziert Objekte, Texturen, räumliche Beziehungen und visuelle Muster. Das LLM kombiniert diese Darstellung dann mit der Textabfrage, um eine Reasoning-Kette aufzubauen.
Koordinierung oder Verfeinerung
Zwei Hauptmechanismen existieren für komplexe visuelle Szenarien: Koordinierung, bei der ein LLM Ausgaben mehrerer Vision-Modelle integriert, um Interpretationen zu überprüfen; und Verfeinerung, bei der das LLM Bildbeschreibungen durch Feedback-Schleifen iterativ verbessert, die fehlende Informationen identifizieren. Beide adressieren Einschränkungen, bei denen einzelne Modelle komplexe Szenarien nicht analysieren können.
In-Context-Learning für multimodales Reasoning
Einige Frameworks rufen ähnliche Beispiele aus Trainingsdaten ab und bieten dem Modell Vorlagen zur Interpretation visueller Eingaben. Diese Demonstrationen helfen dem Modell, gelernte Reasoning-Muster auf neue Probleme anzuwenden.
Erstellung der finalen Erklärung
Das LLM erstellt eine Antwort, die durch einen Reasoning-Prozess unterstützt wird, und erklärt, wie es das Bild interpretiert hat, auf welche visuellen Elemente es sich verlassen hat und welche logischen Verbindungen es hergestellt hat.
Chain-of-Thought-Reasoning bei visuellen Aufgaben
Chain-of-Thought (CoT)-Reasoning hat sich als wichtiger Ansatz im visuellen Reasoning etabliert. Anstatt ein Bild auf einmal zu analysieren, zerlegen Modelle visuelle Probleme nun in kleinere, sequenzielle Schritte, ähnlich wie Menschen komplexe Probleme lösen, indem sie schrittweise durchdenken.
Visuelles CoT ermöglicht es Modellen, den Fokus dynamisch über verschiedene räumliche Bereiche eines Bildes anzupassen und adressiert eine wichtige Einschränkung, bei der Modelle zuvor auf eine Verarbeitung mit fester Granularität angewiesen waren. Zum Beispiel könnte das Modell bei der Analyse eines komplexen Diagramms zuerst die Achsen identifizieren, dann einzelne Datenpunkte untersuchen und schließlich Trends vergleichen, anstatt zu versuchen, alles gleichzeitig zu verstehen.
Dieser Ansatz integriert Reinforcement Learning und Imitationslearning, um Modelle enger an menschliche Reasoning-Muster anzupassen. Dies stellt einen grundlegenden Wandel von passiver Mustererkennung zu aktivem visuellen Problemlösen dar, bei dem Modelle aktiv explorieren und über das, was sie sehen, Reasoning betreiben. 4
Als bevorzugte Quelle hinzufügenGeschäftliche Anwendungen von visuellem Reasoning in LLMs
LLMs mit visuellen Fähigkeiten können mehrere Geschäftsszenarien unterstützen. Diese Anwendungen hängen von der Fähigkeit des Modells ab, Bilder zu analysieren, sie mit Textdaten zu verknüpfen und zuverlässige Erkenntnisse zu liefern.
Dokumenten- und Inhaltsanalyse
Unternehmen verarbeiten Diagramme, technische Zeichnungen, Abbildungen aus wissenschaftlichen Fachzeitschriften und verschiedene Formen visueller Daten. Ein Modell für visuelles Reasoning kann:
- Fehlende oder fehlerhafte Elemente erkennen.
- Objekte oder Schilder im unteren Teil oder in den Ecken der Diagramme identifizieren.
- Text- und Bildsegmente für Qualitätskontrollen verbinden.
- Strukturierte Informationen für weitere Bereitstellung oder Berichterstattung extrahieren.
Beispielsweise hat Intuit die Doc AI und Gemini-Modelle von Google Cloud integriert, um Steuererklärungen über gängige US-Steuerformulare automatisch auszufüllen, was sowohl die Geschwindigkeit als auch die Genauigkeit bei der Dokumentenverarbeitung verbessert hat.5
Qualitätsprüfung und Betrieb
In Fertigung und Logistik können Modelle Produkte oder Pakete inspizieren. Visuelles Reasoning hilft bei der Erkennung von Fehlern, Fehlausrichtungen oder ungewöhnlichen Mustern. Das Modell kann Bilder mit einer Referenz vergleichen und eine Erklärung dafür generieren, was sich geändert hat oder was fehlt.
Intel verwendet beispielsweise KI-Vision-Inspektionssysteme, die jährlich 2 Millionen US-Dollar einsparen, wobei Hersteller typischerweise innerhalb von 6-12 Monaten eine ROI durch reduzierten Ausschuss und weniger Kundenrücksendungen erzielen. 6
Einzelhandel und E-Commerce
Modelle analysieren Produktbilder, identifizieren Schlüsselattribute und verknüpfen sie mit Katalogdaten. Visuelle Suchfunktionen ermöglichen es Kunden, Bilder hochzuladen, um ähnliche Produkte mithilfe von Computer Vision zu finden, während KI-gestützte Größenempfehlungsmaschinen die Rückgaberaten um 20-30% gesenkt haben. Diese Systeme erkennen auch Inkonsistenzen zwischen Produktbeschreibungen und Bildern.7
Sicherheit und Überwachung
Visuelles Reasoning unterstützt Video- und Bildinspektionen durch die Analyse von Bildfolgen und die Erkennung ungewöhnlicher Muster. Cambridge Industries hat ein KI-gestütztes Sicherheitssystem für Baustellen implementiert, das die Kosten für Notfallreparaturen um fast 50% gesenkt hat. 8
Marketing und Benutzererfahrung
Visuelles Reasoning hilft Teams zu verstehen, wie Benutzer mit digitalen Inhalten interagieren. Ein Modell kann Screenshots oder Kreatives bewerten und Erkenntnisse über Layout, Objektplatzierung und potenzielle Probleme liefern. Dies ist besonders relevant bei der Bewertung verschiedener Kategorien visueller Assets.
Beispielsweise nutzt Comeen Gemini AI, um mit einem Klick mehrsprachige Untertitel für Arbeitsplatzvideos in 40 Sprachen zu generieren und so den mehrstufigen, mehrhändlerigen Prozess zu eliminieren, der Inhalte zuvor vor der Veröffentlichung veraltet machte. 9
Vergleichende Landschaft: Hauptakteure und ihre Ansätze
Chance AI
Chance AI gehört zu den ersten kommerziellen Tools, die auf einem visuellen Verständnis aufbauen. Sein System für visuelles Reasoning analysiert Bilder durch kulturelle, historische, funktionale und ästhetische Perspektiven. Anstatt einfache Labels zuzuweisen, liefert es strukturierte Erkenntnisse, die erklären, warum ein Objekt, eine Figur oder eine Szene wichtig ist, wie zum Beispiel der Stil, die Symbolik und der historische Kontext eines Kunstwerks neben seinem Sujet.
Das Design priorisiert die Benutzererfahrung, indem es eine bedeutungsgetriebene Exploration durch Bilder ohne getippte Abfragen ermöglicht. Dies geht über traditionelles Computer Vision hinaus hin zu Interpretation, Storytelling und menschlicher Erklärung, was es besonders relevant für kreative Branchen, Bildung und Tourismus macht, wo Kontext einen Mehrwert über die reine Erkennung hinaus bietet.10
Meta AI
Das UniBench-Framework von Meta führte einen einheitlichen Ansatz zur Bewertung von visuellem Reasoning ein, indem es über fünfzig Benchmarks für räumliches Verständnis, kompositionelles Reasoning und Zählen kombinierte. Beim Testen von fast sechzig Vision-Language-Modellen stellte Meta fest, dass die Skalierung von Daten und Modellgröße die Wahrnehmung verbessert, aber nicht das Reasoning, wobei selbst fortschrittliche Modelle bei einfachen Aufgaben wie der Ziffernerkennung und dem Zählen von Objekten scheitern.
Diese Erkenntnisse haben verändert, wie Fortschritte beim visuellen Reasoning gemessen werden, und unterstreichen die Notwendigkeit höherwertiger Daten, gezielter Ziele und strukturierten Lernens anstatt sich ausschließlich auf größere Modelle zu verlassen. Für Unternehmen bietet UniBench eine transparente Möglichkeit, die Reasoning-Leistung über multimodale Aufgaben hinweg vor dem Einsatz zu vergleichen.11
Abbildung 6: Die Grafik zeigt die Medianleistung von 59 VLMs auf 53 Benchmarks und zeigt, dass trotz Fortschritten viele Modelle immer noch nahe dem Zufallsniveau performen, insbesondere bei Aufgaben wie Winoground, iNaturalist, DSPR und anderen (blau: Zero-Shot-Median; grau: Zufallsniveau).12
OpenAI
OpenAI hat visuelles Reasoning mit den Modellen o3 und o4-mini vorangetrieben, die mit Bildern denken können, indem sie Bildmanipulation in ihr Reasoning integrieren. Während der Analyse zoomen, beschneiden oder drehen sie Bilder, um sich auf relevante Details zu konzentrieren, was dem entspricht, wie Menschen ihre visuelle Aufmerksamkeit anpassen, wenn sie Diagramme oder Zeichnungen interpretieren.
Getestet an multimodalen Benchmarks wie Diagramminterpretation, visuellem Problemlösen und mathematischem Reasoning zeigten die Modelle klare Gewinne in Genauigkeit und kontextuellem Verständnis. Die Ergebnisse offenbarten jedoch auch Einschränkungen, einschließlich inkonsistenten Reasonings und gelegentlicher Wahrnehmungsfehler, was die anhaltende Herausforderung der Zuverlässigkeit in Systemen für visuelles Reasoning unterstreicht.
Abbildung 7: Die Grafik zeigt die Ergebnisse aller Modelle, die unter hohen „Reasoning-Effort"-Einstellungen bewertet wurden.13
Akademische und offene Forschungsbemühungen
VisuLogic: Ein Benchmark zur Bewertung von visuellem Reasoning in Multi-modalen Large Language Models
Diese Arbeit stellt VisuLogic vor, einen Benchmark zur Bewertung der Leistung multimodaler Modelle bei visuellen Reasoning-Aufgaben. Es kombiniert über fünfzig Datensätze, die verschiedene Arten von Reasoning abdecken, einschließlich räumlicher Beziehungen, kompositioneller Logik und Objektzählen.
Die Autoren analysieren Dutzende bestehender Modelle und stellen fest, dass eine Vergrößerung der Größe oder des Datenumfangs die Bilderkennung verbessert, aber nicht das Reasoning. Modelle erkennen oft Muster, ohne die Beziehungen zwischen Objekten zu verstehen. Die Arbeit betont, dass trainingsspezifisches Reasoning, bessere Datenqualität und detaillierte Bewertung für sinnvolle Fortschritte unerlässlich sind.
VisuLogic bietet ein einheitliches Framework, das Forschern und Unternehmen hilft, Reasoning-Fähigkeiten zu analysieren, anstatt sich ausschließlich auf Wahrnehmungsmetriken zu verlassen, und macht es zu einer wertvollen Ressource zur Bewertung multimodaler Reasoning-Systeme.14
Erklären Sie, bevor Sie antworten: Eine Umfrage zum kompositionellen visuellen Reasoning
Diese Umfrage überprüft aktuelle Ansätze zum kompositionellen visuellen Reasoning und konzentriert sich darauf, wie Modelle visuelle und textliche Hinweise kombinieren, um zu einer korrekten Antwort zu gelangen. Sie identifiziert Schwächen in bestehenden Methoden, die auf Erkennung statt auf strukturiertem Reasoning basieren.
Die Autoren schlagen vor, Modelle zu trainieren, vor dem Antworten zu erklären, um sicherzustellen, dass jeder Reasoning-Prozess transparent und interpretierbar ist. Sie diskutieren Techniken zur Ausrichtung visueller und linguistischer Darstellungen, damit Modelle Diagramme, Abbildungen und Objektassoziationen besser verstehen können.
Die Arbeit kommt zu dem Schluss, dass ausgerichtetes und erklärbares Reasoning die Zuverlässigkeit und Interpretierbarkeit in multimodalen Aufgaben verbessert. Sie hebt hervor, dass die Zukunft der Forschung zum visuellen Reasoning davon abhängt, erklärungsorientiertes Lernen in das Modelldesign zu integrieren.15
Herausforderungen bei den Fähigkeiten von LLM zum visuellen Reasoning
Fortschritte im visuellen Reasoning bringen auch technische und ethische Herausforderungen mit sich, die berücksichtigt werden müssen.
Zuverlässigkeit bleibt ein Hauptanliegen. Wie in unserem Benchmark zu sehen ist, haben Modelle Schwierigkeiten mit dicht gepackten Visualisierungen, scheitern bei der Zuordnung von Balken zu Jahren und der Wahrnehmung relativer Höhen in komplexen Diagrammen, was zu systematischen Fehlern bei der Trendidentifizierung führt. Selbst fortschrittliche Modelle scheitern bei einfachen Aufgaben wie der Ziffernerkennung und dem Zählen von Objekten, und die Skalierung von Daten verbessert die Wahrnehmung, aber nicht das Reasoning.
Bias und Interpretationsprobleme sind weit verbreitet. Modelle für visuelles Reasoning lernen und spiegeln Verzerrungen wider, die in ihren Trainingsdaten vorhanden sind, wenn sie Bilder interpretieren. Modelle spiegeln kulturelle Annahmen und Stereotypen aus Trainingsdaten wider, einschließlich Geschlechter-, Rassen-, Alters- und Behinderungsbias. Beispielsweise können diese Verzerrungen die Ergebnisse verzerren, wenn sie die Berufe von Personen in einem Bild vorhersagen oder Szenarien interpretieren.
Erklärbarkeit ist entscheidend für Vertrauen. Modelle sollten ihren Reasoning-Prozess transparent erklären, insbesondere in hochriskanten Anwendungen wie Gesundheitswesen, Einstellung und Strafjustiz, wo verzerrte Ausgaben Schaden verursachen.
Benchmark-Methodik
Alle Modelle wurden über OpenRouter API mit standardisierten Parametern bewertet: Temperatur auf 0,8 gesetzt und der Parameter max tokens wurde nicht gesetzt, um die Reasoning-Fähigkeiten nicht zu begrenzen. Den Modellen wurde angewiesen, nur mit einem einzigen Buchstaben (A-E) ohne Erklärung zu antworten, obwohl einige Modelle dennoch detaillierte Reasonings lieferten, die wir analysierten, um die endgültigen Antworten zu extrahieren. Die Bewertung wurde parallel über alle Modelle gleichzeitig durchgeführt. Jede Frage wurde 5 Mal ausgeführt, um konsistente und zuverlässige Ergebnisse zu gewährleisten.
Der Benchmark bestand aus 200 Fragen, die in zwei Kategorien unterteilt waren: Diagrammverständnis (100 Fragen), das Balkendiagramme, Liniendiagramme, Streudiagramme und komplexe Datenvisualisierungen abdeckte, und visuelle Logik (10 Fragen), die Mustererkennung, räumliches Reasoning und mathematisches visuelles Reasoning testete. Alle Fragen wurden im Multiple-Choice-Format mit fünf Optionen (A-E) präsentiert, wobei Modelle Bilder analysieren und die richtige Antwort auswählen mussten.
Questions:
1. Diagrammverständnis Wir haben Modelle auf ihre Fähigkeit bewertet, Informationen aus verschiedenen Datenvisualisierungen zu extrahieren, zu interpretieren und zu analysieren:
- Balkendiagramme: Horizontale und vertikale Konfigurationen, gestapelte und gruppierte Formate
- Liniendiagramme: Einzelne und Multi-Serien-Trends, Zeitreihendaten
- Streudiagramme: Korrelationsanalyse, Mustererkennung mit beschrifteten Achsen
- Kreisdiagramme: Prozentuale Verteilungen und proportionales Reasoning
- Komplexe Visualisierungen: Kombinierte Diagramme, Diagramme mit Doppelachsen und Multi-Panel-Anzeigen
2. Visuelle Logik Wir haben abstraktes Reasoning und räumliche Intelligenz bewertet durch:
- Mustererkennung: Identifizieren von Sequenzen und Vervollständigen visueller Muster
- Räumliches Reasoning: 3D-Visualisierung, Würfelnetze und geometrische Transformationen
- Mathematische Logik: Numerische Muster, algebraisches Reasoning und Kombinatorik
- Abstraktes Denken: Symbolmanipulation, logische Deduktion und Regelinferenz
Frageformat
- Antwortformat: Multiple Choice (A, B, C, D, E)
Zitieren Sie diesen Benchmark
Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.
@misc{ermut2026,
author = {Ermut, Sıla and Şipi, Nazlı},
title = {{Vergleich multimodaler KI-Modelle in Bezug auf visuelles Reasoning}},
year = {2026},
month = feb,
howpublished = {\url{https://aimultiple.com/visual-reasoning}},
note = {AIMultiple. Abgerufen am 20. Februar 2026}
}Referenzlinks
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.