KI kann sich Konzepte aus wenigen Bildern nicht so merken wie Sie

Wichtigste Punkte

• Apple ML Research veröffentlichte 2025 eine Studie, die zeigt, dass die heutigen besten KI-Bildsprachmodelle Schwierigkeiten haben, ein gemeinsames Konzept über eine kleine Menge von Beispielbildern zu identifizieren.
• Die Forscher erstellten einen Benchmark namens VICIS (Visual Concept Inference from Sets), um diese spezifische Lücke in der KI-Funktionalität zu messen.
• Jedes getestete hochmoderne Modell schnitt bei der VICIS-Aufgabe schlecht ab, was auf einen aussagekräftigen blinden Fleck im aktuellen KI-Design hindeutet.
• Das Versagen ist wichtig, da KI-Tools in der Praxis zunehmend von Modellen verlangen, aus einer Handvoll visueller Beispiele zu lernen, nicht nur aus geschriebenen Anweisungen.

Hier ist eine Fähigkeit, die jeder Fünfjährige hat. Zeigen Sie ihm drei Bilder von Hunden und ein Bild einer Katze, und es wird Ihnen sagen, dass die Katze nicht dazugehört. Zeigen Sie ihm drei Bilder von Geburtstagspartys und dann ein Foto eines Strandlagerfeuersi, und es wird vermuten, dass das Lagerfeuer auch eine Feier sein könnte.

Aktuelle KI-Bildmodelle können dies nicht zuverlässig tun. Das ist das Ergebnis von Apple ML Research, deren Team einen Test namens VICIS, kurz für Visual Concept Inference from Sets, entwickelte, um genau diese Lücke zu messen.

Ein Bildsprachmodell, die Technologie, die einer KI ermöglicht, sowohl Bilder zu betrachten als auch Text zu lesen oder zu schreiben, kann detaillierte geschriebene Anweisungen mit beeindruckender Genauigkeit befolgen. Bitten Sie es, ein Foto zu beschreiben, Objekte zu zählen oder ein Etikett zu lesen, und es liefert normalerweise Ergebnisse. Aber entfernen Sie die Worte und bitten Sie es, eine Regel rein aus einer Handvoll Bildern herauszufinden? Die Leistung fällt deutlich ab.

Warum sollte sich eine normale Person dafür interessieren?

Diese Lücke ist wichtig, da sich viele praktische KI-Tools bereits auf das Lernen aus Beispielen verlassen. Ein Geschäftsinhaber, der möchte, dass eine KI Produktfotos nach Stil sortiert, oder ein Lehrer, der möchte, dass sie eine bestimmte Art von Diagramm kennzeichnet, bittet das Modell implizit, genau das zu tun, was VICIS testet. Wenn das Modell dies nicht kann, werden diese Tools unzuverlässige Ergebnisse liefern, ohne dass eine offensichtliche Warnung auftritt.

Der VICIS-Test funktioniert so. Das Modell erhält eine kleine „Kontextmenge", eine Handvoll Bilder, die alle ein gemeinsames Konzept haben, vielleicht ein Farbschema, eine Stimmung, eine Form oder eine Beziehung zwischen Objekten. Es erhält auch ein neues „Abfrage"-Bild. Seine Aufgabe ist es, Bilder zu generieren oder auszuwählen, die das Konzept aus der Kontextmenge beibehalten und gleichzeitig zur Abfrage passen. Theoretisch einfach. In der Praxis stellt sich heraus, dass es schwierig ist.

Jedes Modell, das das Apple-Team testete, blieb hinter den Erwartungen zurück.

Es gibt zwei Dinge, die man hier beachten sollte. Erstens ist dies ein Forschungspapier, keine Produktankündigung. Die Modelle, die versagten, sind dieselben, die heute Millionen von Menschen verwendete Tools antreiben, daher ist die Erkenntnis real, aber es bedeutet nicht, dass diese Tools nutzlos sind. Es bedeutet, dass eine spezifische Fähigkeit schwächer ist als wir vielleicht annehmen.

Zweitens ist es wert, einen Überlebensbias zu benennen. Wenn Sie von einem KI-Tool hören, das einen neuen Stil aus wenigen Bildern gelernt hat und es perfekt gemacht hat, wurde diese Geschichte veröffentlicht, weil sie funktionierte. Die tausend Male, in denen es selbstbewusst Unsinn produzierte, nicht.

Ehrliche Erkenntnis: Wenn Sie ein KI-Bildtool verwenden und es mit ein paar Beispielfotos füttern und erwarten, dass es „die Idee versteht", testen Sie dessen Ausgabe sorgfältig, bevor Sie es vertrauen. Zeigen Sie ihm Beispiele, und überprüfen Sie dann, ob es das Konzept wirklich befolgt hat oder nur Oberflächendetails wie Farbe kopiert hat. Ihre eigenen Augen sind hier immer noch der bessere Richter.