Forschende berichten auf arXiv, dass sich Vision-Language-Modelle (VLMs) anders verhalten, wenn sie zunächst gefragt werden, was ein Regisseur sehen kann. In einer „Director Task“, bei der ein großer Block vor dem Regisseur verborgen ist, stieg die Wahrscheinlichkeit, dass das Modell den verdeckten Block auswählte, um 12 bis 88 Prozentpunkte bei sechs GPT-Modellen und um 17 Prozentpunkte bei Qwen‑3.8‑27B. Die Modelle gaben die Sicht des Regisseurs weiterhin korrekt wieder, doch die vorherige Frage lenkte ihre anschließende Entscheidung stärker auf die eigene Perspektive.
Warum es wichtig ist
Bei Tests sollte es auch eine Vergleichsgruppe ohne vorherige Frage zur Perspektive geben. Andernfalls besteht das Risiko, die tatsächliche Fähigkeit von VLMs, über andere nachzudenken, falsch einzuschätzen.
