MirrorBench: Selbstbezogene Intelligenz von MLLMs im Spiegel testen

Die jüngsten Fortschritte multimodaler Large Language Models (MLLMs) haben beeindruckende Fähigkeiten in Wahrnehmung und Logik gezeigt und damit die Idee einer „embodied“ Intelligenz befeuert. Doch bislang wurden die Modelle überwiegend auf ihre Fähigkeit getestet, externe Objekte zu erkennen, zu verstehen und mit ihnen zu interagieren – ein Aspekt, der die selbstbezogene Intelligenz weitgehend unberücksichtigt lässt.

Um diese Lücke zu schließen, präsentiert die neue Studie MirrorBench, ein simulationsbasiertes Benchmarking-Framework, das sich an dem klassischen Mirror Self‑Recognition‑Test aus der Psychologie orientiert. Durch ein mehrstufiges Aufgabenpaket wird die Fähigkeit der Modelle von einfachen visuellen Wahrnehmungen bis hin zu komplexen Selbstrepräsentationen systematisch bewertet.

Die Experimente mit führenden MLLMs zeigen, dass selbst auf der niedrigsten Ebene die Leistungen deutlich hinter denen menschlicher Probanden zurückbleiben. Diese Ergebnisse legen nahe, dass die Modelle noch grundlegende Einschränkungen im selbstreferenziellen Verständnis besitzen.

MirrorBench verbindet damit psychologische Paradigmen mit modernen KI‑Technologien und liefert einen klaren Rahmen, um die Entstehung von allgemeiner Intelligenz in großen Modellen zu untersuchen. Die Studie eröffnet neue Perspektiven für die Weiterentwicklung von KI, die nicht nur die Welt um sie herum, sondern auch ihr eigenes „Ich“ verstehen kann.

Weitere Informationen und die vollständige Studie finden Sie auf der Projektseite: https://fflahm.github.io/mirror-bench-page/.