# SGV senkt Zustimmungsbias bei multimodalen LLMs

> Forschende stellen SGV vor: eine Methode in zwei Schritten, mit der multimodale Sprachmodelle fehlerhafte Aktionen zuverlässiger erkennen. Bei nachgelagerten Aufgaben steigt die Leistung um bis zu 25 Prozentpunkte.

Oossa · 2026-11-13 · https://oossa.com/de/self-grounded-verification-reduces-agreement-bias-in-multimodal-llms

Moises Andrade und seine Kolleginnen und Kollegen stellen SGV vor, ein Prüfverfahren für multimodale LLMs. Dabei soll das Modell zunächst beschreiben, wie korrektes Verhalten aussieht, und anschließend eine konkrete Aktion anhand dieser Beschreibung bewerten. Laut der Studie verringert die Methode die Neigung der Modelle, Aktionen zu oft gutzuheißen – den sogenannten Zustimmungsbias. Zugleich steigt die Fehlererkennungsrate um bis zu 25 Prozentpunkte und die Gesamtgenauigkeit um 14 Prozentpunkte. Die Prüfer verbessern die Aufgabenerfüllung gegenüber den bislang besten Ergebnissen um etwa 20 Prozentpunkte – bei einem GUI-Spezialisten in OSWorld, einer Diffusions-Policy in RoboMimic und einem ReAct-Agenten in VisualWebArena.

## Die Fakten

- SGV verbessert die Fehlererkennung um bis zu 25 Prozentpunkte
- Die Aufgabenerfüllung steigt in OSWorld, RoboMimic und VisualWebArena um etwa 20 Prozentpunkte

## Warum es wichtig ist

Eine bessere Überprüfung hilft KI-Agenten, unbegründete Sicherheit zu vermeiden. Dadurch arbeiten sie für Nutzerinnen und Nutzer von visuellen Web- und Robotik-Tools zuverlässiger.

## Quellen und Referenzen

1. [Let's Think in Two Steps: Mitigating Agreement Bias in MLLMs with Self-Grounded Verification](https://arxiv.org/abs/2507.11662) – arXiv cs.MA, 2026-11-13

Zuletzt aktualisiert: 2026-11-13