2026. július 16., csütörtök · Kutatás

Csecsemők tanulási képességeivel vetik össze a mesterséges intelligenciát egy új tesztben

A Meta, a Stanford Egyetem, a Tokiói Egyetem és a francia École Normale Supérieure kutatói közösen kidolgoztak egy EgoBabyVLM nevű tesztet, amely a látás-nyelv modellek (VLM-ek) teljesítményét méri csecsemők fejére rögzített kamerák mintegy ezer órás videófelvételein. A WIRED beszámolója szerint a csúcstechnológiás modellek jelentősen alulteljesítettek ezen a valósághű, rendezetlen felvételanyagon, ami arra utal, hogy a csecsemőagy felépítésében lehet valami, ami lehetővé teszi a rendkívül hatékony tanulást minimális adatból. Michael Frank, a Stanford kognitív kutatója szerint a csecsemők nem csupán nyelvből, hanem gazdag multimodális és tapintási élményekből is tanulnak, ami túlmutat a jelenlegi AI-modellek képességein. A kutatók reményei szerint az eredmények hozzájárulhatnak energiahatékonyabb, kevésbé adatigényes modellek fejlesztéséhez.

Miért fontos?

A teszt rávilágít, hogy a mai AI-modellek a csecsemőknél jóval kevésbé hatékonyan tanulnak természetes környezetben, ami új kutatási irányokat jelölhet ki.

Források

WIRED

Kapcsolódó témák

Napi összefoglalók AI kutatás #EgoBabyVLM#kognitív tudomány

Napi összefoglaló

Ez a hír a 2026. július 16., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Elméleti keretrendszer a perpetual futures piacok optimális piacteremtéséhez

Kutatók sztochasztikus optimális irányítási keretrendszert dolgoztak ki a perpetual futures piacok likviditásbiztosítására. A nem lektorált tanulmány a piacteremtő problémáját adaptív bid-ask szpredek és készletfedezési döntések révén modellezi, fő eredményei között szerepel a profit-veszteség dekompozíciós tétel, a Hamilton–Jacobi–Bellman-egyenlet megoldása, valamint egy Master APY Formula, amely öt dimenziómentes paraméterrel jellemzi a nyereséges tartományokat. A munka kiterjed a nulla díjas decentralizált tőzsdék gazdaságtanára, a Kelly-optimális tőkeáttételre és a többtermékes portfólióallokációra is. A szerzők szerint keretrendszerük egyesíti az Avellaneda–Stoikov és Glosten–Milgrom paradigmákat a decentralizált piacok mikrostruktúrájára.

Az automatikus harness-evolúció hatékonyságát kérdőjelezi meg egy új értékelési keretrendszer

Kutatók felülvizsgálták az LLM-ágensekhez használt automatikus harness-evolúció értékelési módszertanát egy még nem lektorált tanulmányban. A szerzők két alapvető problémát azonosítanak: egyrészt a harness-evolúció iteratív keresési folyamat, amelyet azonos visszacsatolási és inferencia-költségvetés mellett egyszerű keresési alapvonalakkal kellene összehasonlítani; másrészt a keresés és a végső kiértékelés ugyanazon a benchmarkon zajlik, ami túlillesztési kockázatot jelent. A Terminal-Bench 2.1 benchmarkon GPT-5.4 és Claude Opus 4.6 modellekkel végzett kísérleteik szerint az automatikus harness-evolúció nem múlja felül következetesen az egyszerű tesztelési idejű skálázási módszereket, és korlátozott az általánosítóképessége tartott (held-out) feladatokon. A szerzők tisztességesebb értékelési protokollok és benchmarkok kialakítását szorgalmazzák az automatikus harness-tervezéshez.

Manipulált adatkészletekkel félrevezethetők az MI-ágensek – kutatók mutatták ki a veszélyt

Kutatók öt vitatott társadalmi témában – köztük bevándorlás, munkahelyi diszkrimináció és önvezető autók biztonsága – nyilvános adatkészleteket módosítottak úgy, hogy a statisztikai trendek irányát és erősségét megváltoztassák, majd a manipulált változatokat privát tárolókba töltötték fel. Az Anthropic, az OpenAI és a Google MI-ágenseinek hozzáférést adtak mind az eredeti, mind a hamisított adatokhoz, és kérdéseket tettek fel nekik. Az eredmények szerint az ágensek az esetek mintegy felében a manipulált adatok alapján vontak le következtetést, vagyis a csalók által kívánt téves válaszra jutottak. A tanulmány még nem esett át szakmai lektoráláson. A szerzők szerint a kutatóknak különösen gondosan kell ellenőrizniük az MI-ágensek által felhasznált adatkészletek eredetét és megbízhatóságát.

Klinikai LLM-ek nem a tudásukon véreznek el, hanem az aktív információkeresés szisztematikus kudarcán

Egy nem lektorált kutatás 32 élvonalbeli nagy nyelvi modellt tesztelt hematológiai onkológiai eseteken, ahol a modelleknek három körben kellett aktívan klinikai adatokat kérniük diagnózis előtt. A legjobb modell is csak 68%-os pontosságot ért el. A szerzők szerint a diagnosztikai pontosság legerősebb előrejelzője az információ-felhasználási arány volt (R=0,69), amely az utolsó körre 57%-ról 26%-ra esett, így kezelésválasztáshoz kritikus molekuláris adatok feltáratlanok maradtak. A gondolkodási láncolatok magas klinikai minőséget mutattak (91%), de ez nem korrelált a végső pontossággal. A hibaelemzés a kezdő klinikusokra jellemző kognitív torzításokat – horgonyzást, idő előtti lezárást – azonosította fő hibamódként.