Ein Team unter der Leitung von Qi Zhang veröffentlichte am 11 Nov 2026 eine Studie. Sie zeigt, dass Sprachmodelle, die mit Bildern und Text trainiert wurden, eine verborgene „visuelle Achse“ entwickeln, die sie auch beim Schlussfolgern ausschließlich mit Text nutzen. Beim Modell Chameleon‑7B mit 7 Milliarden Parametern sank die Genauigkeit bei der Navigationsaufgabe BIG‑Bench Hard um 27,6 Prozentpunkte, wenn diese Achse deaktiviert wurde. Bei symbolischen Booleschen Tests verbesserte sich die Leistung hingegen leicht. Der Effekt tritt in bestimmten Schichten auf und hilft auch bei Aufgaben zur mentalen Rotation und zum Perspektivwechsel.
Warum es wichtig ist
Die Ergebnisse zeigen, dass Vision-Language-Training das räumliche Denken von KI-Systemen stärken kann, auch wenn diese nur Text verarbeiten. Das könnte die Entwicklung künftiger Modelle beeinflussen.
