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 jóval jobban teljesítenek a topológiai viszonyok felismerésében, mint interaktív, tervezést igénylő feladatokban, ahol elveszítik a struktúra nyomon követését, miközben a jelenet változik. 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.

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

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #Microsoft Research#multimodális AI

Napi összefoglaló

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

Kapcsolódó hírek

Microsoft kutatói bemutatták a CARE-X mellkasröntgen-AI modellt

A Microsoft Research egy kutatási célú vizuális-nyelvi modellt, a CARE-X-et mutatta be, amely mellkasröntgen-felvételek sokféle klinikai feladatát képes kezelni: leletek generálása, kérdések megválaszolása, eszközök felismerése és eltérések helyének azonosítása. A vállalat közlése szerint a modell megerősítéses tanulást (DAPO) alkalmaz a klinikai pontosság javítására, és valós, indiai klinikai adatokon is tesztelték a Narayana Health kórháztól, köztük ritka intenzív osztályos eseteket és CT-vel megerősített megnagyobbodásos állapotokat. Egy külön kísérletben a Qwen3-VL-4B-Instruct modellt determinisztikus mérőeszközökkel kombinálták a méréstől függő diagnózisok pontosságának vizsgálatára. A Microsoft hangsúlyozza, hogy a CARE-X kutatási modell, nem termék vagy orvostechnikai eszköz, és nem alkalmas klinikai diagnózisra.

Bizonyítékalapú tudásgráf-építés előadásvideókból

Kutatók egy olyan feldolgozási módszert dolgoztak ki, amely előadásvideók hangját, diaszövegét, diagramjait és egyenleteit egyesíti egy nyomonkövethető, bizonyítékokkal alátámasztott tudásgráfban. A rendszer szöveggé alakítja az előadást, OCR-rel kiolvassa a diákat, majd egy vizuális-nyelvi modell csak azokat a fogalmakat és kapcsolatokat vonja ki, amelyeket a transzkript, az OCR vagy a kép is megerősít. Három neurális hálókról szóló előadáson tesztelve 3118 képkockából és 756 szövegszegmensből 172 kanonikus fogalmat és 282 kapcsolatot állítottak elő, 90,38%-os végpont-lefedettséggel. A szerzők szerint egy előzetes, mindössze három kérdésből álló visszakeresési tesztben 100%-os pontosságot kaptak, ez azonban rendkívül kis mintán mért eredmény. A munka egy nem lektorált arXiv-preprint, amely elsősorban az auditálható konstrukciós módszert, nem pedig csúcsteljesítményt állít.

Microsoft nyílt keretrendszert adott ki ügynök-AI kutatáshoz

A Microsoft Research bemutatta az Orchard nevű nyílt forráskódú keretrendszert, amelynek célja az ügynök-alapú AI-kutatás skálázhatóbbá és olcsóbbá tétele. A rendszer magja az Orchard Env, egy Kubernetes-alapú, újrahasználható környezet, amely szoftverfejlesztő, webnavigáló és személyi asszisztens ügynökök betanítására és kiértékelésére is alkalmas, akár valós futtatási keretek, például Codex, OpenClaw vagy ZeroClaw belsejében. A cég állítása szerint az Orchard-SWE mindössze 3 milliárd aktív paraméterrel 69,7%-ot ér el a SWE-bench Verified teszten, rerangolással pedig 73,0%-ot, ami közelíti a több mint tízszer nagyobb élvonalbeli modellek eredményeit. A Microsoft a tanítóadatokat és a kiértékelési módszereket is elérhetővé tette a kutatóközösség számára.

Microsoft Echoverse: mély szimulált világokban edzik a számítógép-kezelő AI-ügynököket

A Microsoft Research bemutatta az Echoverse nevű rendszert, amely tizenkét betanító világot tartalmaz számítógép-használó AI-ügynökök számára: tíz mély alkalmazás-szimulációt és két, kifejezetten nehéz kezelőfelületi elemekre (dátumválasztók, egymásba ágyazott szűrők) fókuszáló világot. A vállalat állítása szerint egy 9 milliárd paraméteres modell mind a tizenkettőn betanítva pontszámát 36,5 százalékról 67,1 százalékra közel duplázta, ezzel tizennégy pontra megközelítve az általuk hivatkozott GPT-5.4 modellt. A kutatók szerint a felszínes szimulációk rontják a teljesítményt, míg a valósághű, koherens állapotú világok és a megerősítéses tanulás segítenek az ügynöknek túllépni az egyszerű utánzáson. A Microsoft négy világot kódjával, adataival és ellenőrző moduljaival együtt elérhetővé tesz GitHubon és Hugging Face-en.