2026. augusztus 13., csütörtök · Kutatás

MindTopo: új benchmark a mesterséges intelligencia térbeli-topológiai gondolkodásának mérésére

A Microsoft Research kutatói MindTopo néven új benchmarkot mutattak be, amely azt vizsgálja, hogy a multimodális nagy nyelvi modellek képesek-e felismerni és fenntartani topológiai kapcsolatokat, mint az összekapcsoltság, a körülzártság, a sorrend, az elkülönülés és a csomók. A kutatás szerint a modellek statikus képeken következetesen jobban teljesítenek a topológiai viszonyok felismerésében, mint interaktív, tervezést igénylő feladatokban, ahol elveszítik a struktúra nyomon követését, miközben a jelenet változik; az emberi teljesítménytől azonban mindkét feladattípusban messze elmaradnak. A hibák jellemzően nem az észlelésnél, hanem a tervezési fázisban jelentkeznek, amikor a modellek fizikailag lehetetlen lépéseket javasolnak. A kutatók szerint ez fontos hiányosságot jelez a robotikai és interaktív rendszerekhez szánt mesterséges intelligencia fejlesztésében, ahol a strukturális kapcsolatok megőrzése kritikus a megbízható döntéshozatalhoz.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

Az eredmény rávilágít arra, hogy a multimodális AI-modellek jelenleg nem tudják megbízhatóan fenntartani a térbeli-topológiai megértést dinamikus, tervezést igénylő helyzetekben, ami korlátozza robotikai alkalmazhatóságukat.

Források

Microsoft Research Kutatás

Kapcsolódó témák

Napi összefoglalók AI kutatás #Microsoft Research#multimodális AI

Napi összefoglaló

Ez a hír a 2026. augusztus 13., csütörtök napi AI összefoglaló része.

Helyesbítés · 2026. október 1., csütörtök

Helyesbítés (2026-10-01): az összefoglaló szerint a modellek „statikus képeken jóval jobban teljesítenek”, de elhagyta, hogy a forrás szerint mindkét feladattípusban messze elmaradnak az emberi teljesítménytől. Ezt pótoltuk.

Kapcsolódó hírek

Microsoft Research: diákszimulátorral finomítanák az AI-oktatókat

A Microsoft Research bemutatta a StudentSim nevű kutatási rendszert, amely a vállalat szerint nyilvánosan elérhető, anonimizált tanulói adatokból személyre szabott AI-diákszimulátorokat épít, egyet-egyet minden egyes tanulóhoz igazítva. A cél az, hogy az AI-oktatórendszerek fejlesztői gyorsan és olcsón kapjanak visszajelzést arról, hogyan reagálnak a diákok egy-egy tanácsra, és javul-e a megértésük, anélkül, hogy minden iterációhoz valódi tanulói kísérletre lenne szükség. A rendszert a StudentSimEval nevű benchmarkon tesztelték sakk, angol mint idegen nyelv írásos feladatai és matematika területén, és a Microsoft állítása szerint felülmúlta a vezető alapmodelleket abban, hogy mennyire hitelesen utánozza egy adott diák válaszait és azok változását a tanári útmutatás után. A cég hangsúlyozza, hogy a StudentSim kutatási eszköz, nem éles termék, nem használják tantermekben, és nem helyettesíti a tanárokat.

Microsoft bemutatta a Quine nevű AI-rendszert a biológiai kutatáshoz

A Microsoft Research bejelentése szerint elkészült a Quine nevű kutatási rendszer, amely egy többmodalitású „világmodellt” épít a biológiáról, és összeköti a modelleket, tudományos eszközöket, szakirodalmat és kutatókat egyetlen interaktív keretben. A vállalat állítása szerint a Broad Institute (Harvard–MIT) kutatóival együttműködve a rendszert olyan vegyületek rangsorolására használták, amelyek daganatsejtek állapotát terápiásan kedvező irányba tolhatják el, és a legjobbra rangsorolt jelöltek egy részét több laboratóriumi kísérletben validálták. A Microsoft saját közlése szerint a Quine kifejezetten kísérleti, kutatási célú technológia, klinikai vagy orvosi felhasználásra nem alkalmas, kimenetei hiányosak vagy pontatlanok lehetnek, és szakértői ellenőrzést igényelnek. A cég emellett egy „Quine Fellows” programot is indít, amelyben kutatók kaphatnak hozzáférést a rendszerhez, hosszabb távon pedig a technológiát a Microsoft Discovery termékcsaládba tervezik integrálni.

PixelJev: kis multimodális modellek vizuális döntéshozatala, de korlátokkal

A PixelJev egy új, kép alapú döntési interfész, amely egy képet, egy feladatutasítást és egy futásidőben megadott jelöltlistát strukturált választássá és jelölt-feltételes valószínűségekké alakít kis, nyílt multimodális modellek segítségével. A kutatás egy arXiv-preprintben jelent meg, tehát még nem esett át szakmai lektoráláson. A modell egyesíti a felismerést és a többválasztós vizuális kérdés-válasz feladatokat egy nyelvi modell alapú kiolvasáson keresztül. Hét benchmark-értékelés során a 64-mintás forrásadaptáció a Pets adathalmazon 60,13%-ról 92,40%-ra növelte a pontosságot, és ez célfinomhangolás nélkül is átvihető volt új textúra-címkékre és az A-OKVQA feladatra. A szerzők ugyanakkor kifejezetten leszögezik, hogy a pontosságnövekedés nem garantálja a kalibrált célvalószínűségeket, a specializált DINOv2-alapú próbák továbbra is erősebbek a forrás-felismerésben, és a fagyasztott 4 milliárd paraméteres modell felülmúlja az adaptált 2 milliárdosat DTD és ScienceQA teszteken.

Microsoft hatékonyabb kórszövettani AI-modelleket mutatott be

A Microsoft Research bemutatta a GigaPath-Flash és GigaTIME-Flash nevű kórszövettani alapmodelleket, amelyek a korábbi GigaPath és GigaTIME desztillált, gyorsított változatai. A vállalat állítása szerint a lepárolt modell jelentősen csökkenti a számítási igényt anélkül, hogy a teljesítmény romlana, így nagyobb beteg-kohorszokon lehet ismételt elemzéseket futtatni. A modellek nyílt kutatási eszközök, céljuk a betegségbiológia, biomarkerek és klinikai kimenetek vizsgálata rákos adathalmazokon populációs szinten. A Microsoft hangsúlyozza, hogy ezek kutatási célú modellek, klinikai használatra – diagnózisra, prognózisra vagy kezelésválasztásra – nincsenek validálva. Az eredmények egy vállalati blogbejegyzésben szerepelnek, nem lektorált tudományos publikációban, így független szakmai bírálaton még nem mentek keresztül.