Vergleichen Sie multimodale KI-Modelle im visuellen Schlussfolgern
Wir haben 15 führende multimodale KI-Modelle im visuellen Schlussfolgern mit 200 visuellen Fragen getestet. Die Evaluierung bestand aus zwei Bereichen: 100 Fragen zum Diagrammverständnis, die Interpretation von Datenvisualisierungen testen, und 100 Fragen zur visuellen Logik, die Mustererkennung und räumliches Denken bewerten. Jede Frage wurde 5‑mal ausgeführt, um konsistente und zuverlässige Ergebnisse zu gewährleisten.
Benchmark für visuelles Schlussfolgern
Sehen Sie sich unsere Benchmark-Methodik an, um mehr über 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 nächste Gruppe von Modellen anführen. Während die meisten Modelle bei datengestützten Aufgaben gut abschneiden, besteht bei llama-4-maverick eine Lücke bei der Verknüpfung visueller Eingaben mit logischen Schritten.
Visuelle Logik
Visuelle Logik erfordert Mustererkennung und räumliches Denken. gemini-3.1-pro-preview führt den Test zur visuellen Logik an und zeigt die höchste Leistung bei abstrakten Denkaufgaben. Viele Modelle zeigen einen Leistungsabfall im Vergleich zu ihren Ergebnissen in der Diagrammanalyse. llama-4-maverick zeigt eine Einschränkung bei diesen Aufgaben.
Diagrammverständnis
Modelle zeigen eine bessere Kompetenz bei der Diagramminterpretation als bei der visuellen Logik. gemini-3.1-pro-preview hat die höchste Punktzahl in den Diagrammverständnis-Tests, gefolgt von gemini-3-pro-preview und gemini-2.5-pro, die eine starke Fähigkeit zeigen, strukturierte Daten und Visualisierungen zu entschlüsseln. claude-opus-4.6 und claude-sonnet-4.6 erzielen bei der Interpretation von Diagrammen höhere Ergebnisse als bei ihren Logikwerten. Datengestützte visuelle Aufgaben sind für aktuelle multimodale Modelle zugänglicher als die Mustererkennung.
Statistische Zuverlässigkeit der visuellen Schlussfolgerungsleistung (95% KI)
Wir haben die 95%-Konfidenzintervalle (KI) mithilfe von 10.000 Bootstrap-Resamples berechnet, um den Fehlerspielraum für jedes Modell zu definieren und den Bereich aufzuzeigen, in dem die wahre Leistung wahrscheinlich liegt.
Benchmark-Fragen: Wo LLMs am besten abschneiden und am meisten kämpfen
Diagrammfrage mit der niedrigsten LLM-Erfolgsquote
Abbildung 1: Balkendiagramm mit Star-Verkaufsvolumen über 12 Monate mit vier gruppierten Balken pro Monat (Daten von 1998-2000). Jeder Monat zeigt dicht gruppierte Balken in Vollfarbe, Weiß und mit Streifen.
Hinweis: Alle Diagramme stammen von Hitbullseye.1
Frage: Wenn die Verkäufe von drei aufeinanderfolgenden Jahren stetig steigen oder stetig sinken, spricht man von einem stetigen Trend. Welche Monate zeigen einen stetig steigenden Trend über drei aufeinanderfolgende Jahre?
Im Juni 1999 war der tatsächliche Wert beispielsweise niedriger als 1998, was einen Rückgang zeigte, aber das Modell interpretierte ihn fälschlicherweise als stetig steigend. Die meisten Modelle machen bei dieser Frage denselben Fehler.
Wenn vier Balken pro Monat gruppiert sind, hatten die Modelle Schwierigkeiten mit der Zuordnung von Balken zu Jahren und der Wahrnehmung relativer Höhen. Sie konnten nicht genau unterscheiden, welcher gestreifte, einfarbige oder 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 Denken: Aktuelle Modelle verfügten nicht über die pixelgenaue Wahrnehmung, die erforderlich ist, um eng gepackte Balken korrekt zu messen und anzuordnen, was zu einer systematischen Fehlidentifikation von Trends führte.
Diagrammfrage mit der höchsten LLM-Erfolgsquote
Abbildung 2: Balkendiagramm mit Wahlbeteiligungsquoten in indischen Parlamentswahlen von 1952 bis 1998. Ein Balken pro Wahljahr mit klarem Abstand zwischen den Balken.
Frage: Die höchste und die niedrigste jemals gemessene Wahlbeteiligung (in Prozent) lagen jeweils in welchen Jahren?
Alle Modelle haben diese Frage korrekt beantwortet. Dieser Erfolg zeigt, dass Modelle bei der einfachen Identifikation von Minimum und Maximum, dem Finden des höchsten und des niedrigsten Balkens, hervorragend abschneiden.
Im Gegensatz zu den verwirrenden gruppierten Vier-Balken-Gruppen hat dieses Diagramm einen einzigen Balken pro Jahr mit klarem Abstand, was einen direkten visuellen Vergleich unkompliziert macht. Modelle leisten gute Arbeit bei rein beobachtenden Aufgaben, die keine komplexe Balken-Kategorie-Zuordnung erfordern.
Visuelle Logikfrage mit der höchsten LLM-Erfolgsquote
Abbildung 3: Zwei ausgerichtete 3×3-Raster, die algebraische Mustererkennung zeigen. Das obere Raster enthält Variablen und ihre Operationen (Multiplikation, Division, Potenzen). Das untere Raster zeigt numerische Werte, wobei einige Zellen ausgefüllt sind (6, 36, 3/4) und zwei Unbekannte (A, B). Die Frage verlangt, 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 Raster-Layout ohne visuelle Komplexität ermöglichte es den Modellen, sich ausschließlich auf numerische Schlussfolgerungen und logische Deduktion zu konzentrieren.
Modelle glänzen, wenn Probleme explizite mathematische Muster beinhalten, die durch schrittweises Denken gelöst werden können, was ihre Stärke in symbolischer Logik und Mustererkennung bei minimalen visuellen Ablenkungen demonstriert.
Visuelle Logikfrage mit der niedrigsten LLM-Erfolgsquote
Abbildung 4: Mustererkennungsrätsel mit Kreisen, die verschiedene interne Linienmuster und geometrische Formen enthalten. Zwei Beispielsequenzen mit Pfeilen oben, gefolgt von einer Frage zur Vervollständigung der dritten Sequenz aus fünf Multiple-Choice-Optionen.
Die Schwierigkeit liegt darin, dass abstraktes visuelles Mustererkennungsvermögen erforderlich ist, um geometrische Transformationsregeln über mehrere Beispiele hinweg zu identifizieren.
Dies erfordert reines räumliches Denken, um zu verstehen, wie sich Formen drehen, transformieren und zueinander in Beziehung stehen. Modelle haben Schwierigkeiten mit der Regelableitung aus visuellen Sequenzen, wenn keine explizite numerische oder textuelle Anleitung verfügbar ist, sondern nur räumliche Muster.
Was ist visuelles Schlussfolgern?
Visuelles Schlussfolgern ist die Fähigkeit eines Modells, Bilder zu interpretieren, visuelle Elemente zu verknüpfen und Fragen zu beantworten, die ein Verständnis sowohl visueller als auch textueller Informationen erfordern. Diese Fähigkeit geht über die einfache Objekterkennung hinaus und umfasst Aufgaben wie die Analyse von Datenvisualisierungen, das Erkennen räumlicher Muster und das Verstehen von Beziehungen zwischen visuellen Elementen.
Unser Benchmark evaluierte dies anhand von zwei unterschiedlichen Bereichen, um verschiedene kognitive Aspekte zu testen: Diagrammverständnis, bei dem Modelle Balkendiagramme, Liniendiagramme und Streudiagramme interpretierten, um ihre Fähigkeit zur Extraktion strukturierter Informationen aus Datenvisualisierungen zu bewerten; und visuelle Logik, bei der sie Mustererkennungsrätsel und räumliche Denkaufgaben lösten, um abstraktes Denken ohne explizite numerische Anleitung zu messen. Diese Unterteilung spiegelt den grundlegenden Unterschied wider, wie Modelle explizite Daten gegenüber impliziten Mustern verarbeiten.
Modelle erreichen visuelles Schlussfolgern durch unterschiedliche architektonische Ansätze. Das Cola-Framework koordiniert beispielsweise mehrere Vision-Language-Modelle, wobei jedes Bildunterschriften und plausible Antworten liefert und ein zentrales LLM diese Optionen bewertet und die genaueste Antwort auswählt.
Abbildung 5: Graphik, die zeigt, wie Cola ein koordinatives Sprachmodell für visuelles Schlussfolgern nutzt.2
Ein weiteres Beispiel ist das CVR-LLM-Framework, das Schlussfolgern 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 Repräsentationen und ermöglicht es dem LLM, Assoziationen über verschiedene Arten von multimodalen Aufgaben hinweg effektiver zu analysieren.3
Wie visuelles Schlussfolgern in LLMs funktioniert
LLMs nehmen Bilder nicht direkt wahr. Sie sind auf Vision-Encoder angewiesen, die Bilder in strukturierte, für Sprachmodelle zugeschnittene Repräsentationen umwandeln. Der Encoder identifiziert Objekte, Texturen, räumliche Beziehungen und visuelle Muster. Das LLM kombiniert dann diese Repräsentation mit der Textanfrage, um eine Argumentationskette aufzubauen.
Koordination oder Verfeinerung
Für komplexe visuelle Szenarien existieren zwei Hauptmechanismen: Koordination, bei der ein LLM die Ausgaben mehrerer Vision-Modelle integriert, um Interpretationen gegenzuprüfen; und Verfeinerung, bei der das LLM Bildbeschreibungen iterativ durch Feedback-Schleifen verbessert, die fehlende Informationen identifizieren. Beide begegnen den Einschränkungen, bei denen einzelne Modelle bei der Analyse komplexer Szenarien versagen.
In-Context-Lernen für multimodales Schlussfolgern
Einige Frameworks rufen ähnliche Beispiele aus Trainingsdaten ab und stellen dem Modell Vorlagen für die Interpretation visueller Eingaben zur Verfügung. Diese Demonstrationen helfen dem Modell, erlernte Denkmuster auf neue Probleme anzuwenden.
Die endgültige Erklärung generieren
Das LLM produziert eine Antwort, die durch einen Denkprozess gestützt wird, und erklärt, wie es das Bild interpretiert hat, auf welche visuellen Elemente es sich stützte und welche logischen Verknüpfungen es herstellte.
Chain-of-Thought-Schlussfolgern bei visuellen Aufgaben
Chain-of-Thought (CoT)-Schlussfolgern hat sich als wichtiger Ansatz im visuellen Schlussfolgern herauskristallisiert. Anstatt ein Bild auf einmal zu analysieren, zerlegen Modelle visuelle Probleme jetzt in kleinere, sequenzielle Schritte, ähnlich wie Menschen komplexe Probleme durch schrittweises Durchdenken lösen.
Visuelles CoT ermöglicht es Modellen, den Fokus dynamisch über verschiedene räumliche Bereiche eines Bildes anzupassen, und behebt eine zentrale Einschränkung, bei der Modelle zuvor auf eine Bildverarbeitung mit fester Granularität angewiesen waren. Wenn das Modell beispielsweise ein komplexes Diagramm analysiert, könnte es zuerst die Achsen identifizieren, dann einzelne Datenpunkte untersuchen und schließlich Trends vergleichen, anstatt zu versuchen, alles gleichzeitig zu verstehen.
Dieser Ansatz integriert bestärkendes Lernen und Imitationslernen, um Modelle enger an menschliche Denkmuster anzupassen. Dies stellt einen grundlegenden Wandel von passiver Mustererkennung zu aktivem visuellem Problemlösen dar, bei dem Modelle aktiv erforschen und über das Gesehene nachdenken. 4
Geschäftliche Anwendungen des visuellen Schlussfolgerns in LLMs
LLMs mit visuellen Fähigkeiten können vielfältige 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 visuelles Denkmodell kann:
- Fehlende oder falsche Elemente erkennen.
- Objekte oder Zeichen im unteren Teil oder in den Ecken von Diagrammen identifizieren.
- Text- und Bildsegmente für Qualitätsprüfungen verknüpfen.
- Strukturierte Informationen für den weiteren Einsatz oder die Berichterstattung extrahieren.
So integrierte Intuit beispielsweise Google Cloud’s Doc KI und Gemini-Modelle, um Steuererklärungen für gängige US-Steuerformulare automatisch auszufüllen und so sowohl Geschwindigkeit als auch Genauigkeit in der Dokumentenverarbeitung zu verbessern.5
Qualitätsprüfung und Betrieb
In der Fertigung und Logistik können Modelle Produkte oder Verpackungen prüfen. Visuelles Schlussfolgern hilft, Defekte, Fehlausrichtungen oder ungewöhnliche Muster zu erkennen. Das Modell kann Bilder mit einer Referenz vergleichen und eine Erklärung darüber liefern, was sich verändert hat oder fehlt.
Intel beispielsweise setzt KI-gestützte Sichtprüfungssysteme ein, die jährlich 2 Millionen US-Dollar einsparen, wobei Hersteller in der Regel innerhalb von 6-12 Monaten einen ROI durch reduzierte Ausschussraten und weniger Kundenretouren erzielen. 6
Einzelhandel und E-Commerce
Modelle analysieren Produktbilder, identifizieren Schlüsselattribute und gleichen sie mit Katalogdaten ab. Visuelle Suchfunktionen ermöglichen es Kunden, Bilder hochzuladen, um ähnliche Produkte mithilfe von Computer Vision zu finden, während KI-gestützte Größenempfehlungsmaschinen die Retourenquote um 20-30% gesenkt haben. Diese Systeme erkennen auch Unstimmigkeiten zwischen Produktbeschreibungen und Bildern.7
Sicherheit und Überwachung
Visuelles Schlussfolgern unterstützt Video- und Bildinspektionsaufgaben, indem es Bildsequenzen analysiert und ungewöhnliche Muster erkennt. Cambridge Industries implementierte ein KI-gestütztes Sicherheitssystem für Baustellen, das die Kosten für Notreparaturen um fast 50% reduzierte. 8
Marketing und Benutzererfahrung
Visuelles Schlussfolgern hilft Teams zu verstehen, wie Nutzer mit digitalen Inhalten interagieren. Ein Modell kann Screenshots oder Kreative bewerten und Einblicke in Layout, Objektplatzierung und potenzielle Probleme liefern. Dies ist besonders relevant, wenn verschiedene Kategorien von visuellen Assets bewertet werden.
So verwendet Comeen beispielsweise Gemini KI, um mehrsprachige Untertitel für Arbeitsvideos in 40 Sprachen mit einem Klick zu generieren, wodurch der mehrtägige, mehrere Anbieter umfassende Prozess entfällt, der zuvor dazu führte, dass Inhalte vor der Veröffentlichung veraltet waren. 9
Als bevorzugte Quelle hinzufügenVergleichende Landschaft: Hauptakteure und ihre Ansätze
Chance KI
Chance KI gehört zu den ersten kommerziellen Tools, die auf einem visuellen Verständnis erster Ordnung aufbauen. Sein visuelles Denksystem analysiert Bilder aus kulturellen, historischen, funktionalen und ästhetischen Blickwinkeln. Anstatt einfache Etiketten zuzuweisen, liefert es strukturierte Erkenntnisse, die erklären, warum ein Objekt, eine Figur oder eine Szene wichtig ist, wie den Stil, die Symbolik und den historischen Kontext des Kunstwerks zusammen mit seinem Motiv.
Das Design priorisiert die Benutzererfahrung, indem es eine bedeutungsgesteuerte Erkundung durch Bilder ohne getippte Suchanfragen ermöglicht. Dies geht über traditionelles Computer Vision hinaus in Richtung Interpretation, Storytelling und menschenähnlicher Erklärung, was es besonders relevant für kreative Branchen, Bildung und Tourismus macht, wo der Kontext über die reine Erkennung hinaus Mehrwert schafft.10
Meta KI
Das UniBench-Framework von Meta führte einen einheitlichen Ansatz zur Bewertung des visuellen Schlussfolgerns ein, indem es über fünfzig Benchmarks für räumliches Verständnis, kompositionelles Denken und Zählen kombinierte. Beim Testen von fast sechzig Vision-Language-Modellen stellte Meta fest, dass die Skalierung von Daten und Modellgröße die Wahrnehmung, nicht aber das Denken verbessert, und dass selbst fortschrittliche Modelle bei einfachen Aufgaben wie Ziffernerkennung und Objektzählung scheitern.
Diese Erkenntnisse veränderten die Messung des Fortschritts im visuellen Schlussfolgern und verdeutlichten die Notwendigkeit qualitativ hochwertigerer Daten, gezielter Zielsetzungen und strukturierten Lernens, anstatt sich ausschließlich auf größere Modelle zu verlassen. Für Unternehmen bietet UniBench eine transparente Möglichkeit, die Denkleistung bei multimodalen Aufgaben vor dem Einsatz zu vergleichen.11
Abbildung 6: Die Grafik zeigt die mediane Leistung von 59 VLMs bei 53 Benchmarks und offenbart, dass trotz Fortschritten viele Modelle immer noch nahe dem Zufallsniveau liegen, insbesondere bei Aufgaben wie Winoground, iNaturalist, DSPR und anderen (blau: Zero-Shot-Median; grau: Zufallsniveau).12
OpenAI
OpenAI trieb das visuelle Schlussfolgern mit den Modellen o3 und o4-mini voran, die mit Bildern denken können, indem sie Bildmanipulation in ihr Denken integrieren. Während der Analyse zoomen, beschneiden oder drehen sie Bilder, um sich auf relevante Details zu konzentrieren, ähnlich wie Menschen ihre visuelle Aufmerksamkeit bei der Interpretation von Diagrammen oder Zeichnungen anpassen.
Getestet in multimodalen Benchmarks wie Diagramminterpretation, visuellem Problemlösen und mathematischem Denken, zeigten die Modelle deutliche Zuwächse an Genauigkeit und kontextuellem Verständnis. Die Ergebnisse offenbarten jedoch auch Einschränkungen, darunter inkonsistentes Denken und gelegentliche Wahrnehmungsfehler, was die anhaltende Herausforderung der Zuverlässigkeit in visuellen Denksystemen unterstreicht.
Abbildung 7: Die Grafik zeigt die Ergebnisse aller Modelle, die unter hohen „Reasoning Effort“-Einstellungen evaluiert wurden.13
Akademische und offene Forschungsbemühungen
VisuLogic: Ein Benchmark zur Evaluierung des visuellen Schlussfolgerns in multimodalen großen Sprachmodellen
Dieses Paper stellt VisuLogic vor, einen Benchmark zur Bewertung der Leistung multimodaler Modelle bei visuellen Denkaufgaben. Es kombiniert über fünfzig Datensätze, die verschiedene Arten des Denkens abdecken, darunter räumliche Beziehungen, kompositionelle Logik und Objektzählung.
Die Autoren analysieren Dutzende bestehender Modelle und stellen fest, dass eine Erhöhung von Größe oder Datenumfang die Bilderkennung, nicht aber das Denken verbessert. Modelle erkennen oft Muster, ohne Beziehungen zwischen Objekten zu verstehen. Das Paper betont, dass denkspezifisches Training, bessere Datenqualität und detaillierte Evaluierung für einen sinnvollen Fortschritt unerlässlich sind.
VisuLogic bietet ein einheitliches Framework, das Forschern und Unternehmen hilft, die Denkfähigkeiten zu analysieren, anstatt sich nur auf Wahrnehmungsmetriken zu verlassen, was es zu einer wertvollen Ressource für die Bewertung multimodaler Denksysteme macht.14
Explain Before You Answer: Eine Übersicht über kompositionelles visuelles Schlussfolgern
Diese Übersichtsarbeit untersucht aktuelle Ansätze zum kompositionellen visuellen Schlussfolgern und konzentriert sich darauf, wie Modelle visuelle und textuelle Hinweise kombinieren, um zu einer korrekten Antwort zu gelangen. Sie identifiziert Schwächen in bestehenden Methoden, die eher auf Erkennung als auf strukturiertem Denken beruhen.
Die Autoren schlagen vor, Modelle so zu trainieren, dass sie erklären, bevor sie antworten, um sicherzustellen, dass jeder Denkprozess transparent und interpretierbar ist. Sie diskutieren Techniken zur Angleichung visueller und sprachlicher Repräsentationen, damit Modelle Diagramme, Abbildungen und Objektassoziationen besser verstehen können.
Das Paper kommt zu dem Schluss, dass angeglichenes und erklärbares Schlussfolgern die Zuverlässigkeit und Interpretierbarkeit bei multimodalen Aufgaben erhöht. Es hebt hervor, dass die Zukunft der visuellen Denkforschung von der Integration erklärungsbasierten Lernens in das Modelldesign abhängt.15
Herausforderungen in den visuellen Denkfähigkeiten von LLMs
Der Fortschritt im visuellen Schlussfolgern bringt auch technische und ethische Herausforderungen mit sich, die berücksichtigt werden müssen.
Zuverlässigkeit bleibt ein zentrales Anliegen. Wie unser Benchmark zeigt, haben Modelle Schwierigkeiten mit dicht gepackten Visualisierungen, scheitern an der Balken-Jahr-Zuordnung und der Wahrnehmung relativer Höhen in komplexen Diagrammen, was zu systematischen Fehlern bei der Trenderkennung führt. Selbst fortschrittliche Modelle scheitern an einfachen Aufgaben wie Ziffernerkennung und Objektzählung, und die Skalierung der Daten verbessert die Wahrnehmung, nicht aber das Denken.
Verzerrungen und Interpretationsprobleme sind weit verbreitet. Modelle für visuelles Schlussfolgern lernen und spiegeln Verzerrungen wider, die in ihren Trainingsdaten vorhanden sind, wenn sie Bilder interpretieren. Modelle reproduzieren kulturelle Annahmen und Stereotypen aus Trainingsdaten, einschließlich geschlechts-, rassen-, alters- und behinderungsbezogener Verzerrungen. Wenn beispielsweise die Berufe von Personen in einem Bild vorhergesagt oder Szenarien interpretiert werden, können diese Verzerrungen die Ergebnisse verfälschen.
Erklärbarkeit ist entscheidend für Vertrauen. Modelle sollten ihren Denkprozess transparent erklären, insbesondere bei risikoreichen Anwendungen wie Gesundheitswesen, Personalwesen und Strafjustiz, wo verzerrte Ergebnisse Schaden anrichten.
Benchmark-Methodik
Alle Modelle wurden über die OpenRouter-API mit standardisierten Parametern evaluiert: Die Temperatur wurde auf 0.8 gesetzt, und der Parameter für die maximale Token-Anzahl wurde nicht festgelegt, um die Denkfähigkeiten nicht einzuschränken. Die Modelle wurden angewiesen, nur mit einem einzigen Buchstaben (A-E) ohne Erklärung zu antworten, obwohl einige Modelle dennoch detaillierte Begründungen lieferten, die wir analysierten, um die endgültigen Antworten zu extrahieren. Die Evaluierung 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) zu Balkendiagrammen, Liniendiagrammen, Streudiagrammen und komplexen Datenvisualisierungen sowie visuelle Logik (10 Fragen) zu Mustererkennung, räumlichem Denken und mathematischer visueller Logik. Alle Fragen wurden im Multiple-Choice-Format mit fünf Optionen (A-E) präsentiert, sodass die Modelle Bilder analysieren und die richtige Antwort auswählen mussten.
Questions:
1. Diagrammverständnis Wir bewerteten die Modelle hinsichtlich ihrer Fähigkeit, Informationen aus verschiedenen Datenvisualisierungen zu extrahieren, zu interpretieren und zu analysieren:
- Balkendiagramme: Horizontale und vertikale Konfigurationen, gestapelte und gruppierte Formate
- Liniendiagramme: Einzelne und mehrere Serien, Zeitreihendaten
- Streudiagramme: Korrelationsanalyse, Mustererkennung mit beschrifteten Achsen
- Kreisdiagramme: Prozentuale Verteilungen und proportionales Denken
- Komplexe Visualisierungen: Kombinierte Diagramme, Diagramme mit zwei Achsen und mehrteilige Darstellungen
2. Visuelle Logik Wir bewerteten abstraktes Denken und räumliche Intelligenz durch:
- Mustererkennung: Sequenzen identifizieren und visuelle Muster vervollständigen
- Räumliches Denken: 3D-Visualisierung, Würfelnetze und geometrische Transformationen
- Mathematische Logik: Numerische Muster, algebraisches Denken und Kombinatorik
- Abstraktes Denken: Symbolmanipulation, logische Deduktion und Regelableitung
Fragenformat
- 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 = {{Vergleichen Sie multimodale KI-Modelle im visuellen Schlussfolgern}},
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.