# Multimodales Training stärkt visuelles Denken in Sprachmodellen

> Forschende zeigen, dass Vision-Language-Training die räumliche Problemlösung von Sprachmodellen verändert – selbst wenn sie nur Text erhalten.

Oossa · 2026-11-13 · https://oossa.com/de/multimodal-training-gives-text-only-models-hidden-visual-reasoning-abilities

Datum des Ereignisses: 2026-11-11

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.

## Die Fakten

- Chameleon‑7B verliert bei BIG‑Bench Hard navigate 27,6 Prozentpunkte Genauigkeit, wenn seine visuelle Achse entfernt wird
- Studie eingereicht am 11 Nov 2026 (Mi., 11. Nov. 2026 02:44:10 UTC)

## 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.

## Quellen und Referenzen

1. [Emergent Vision-Shaped Thinking in Text-Only Reasoning through Multimodal Training](https://arxiv.org/abs/2611.14942) – arXiv, 2026-11-13

Zuletzt aktualisiert: 2026-11-13