MultiNet v1.0: Benchmark testet Generalität von Vision‑Language‑Action Modellen
Die Vision, multimodale Agenten zu schaffen, die gleichzeitig Wahrnehmung, Sprache und Steuerung in verschiedensten realen Umgebungen meistern, steht noch immer vor einer entscheidenden Hürde: die Bewertung ihrer Generalität ist bislang fragmentiert. Mit dem neuen Benchmark MultiNet v1.0 wird dieses Problem angegangen. Der Test vereint sechs fundamentale Fähigkeitsbereiche – visuelles Grounding, räumliches Denken, Werkzeuggebrauch, physisches Common Sense, Koordination mehrerer Agenten und kontinuierliche Robotiksteuerung – in einem einheitlichen Rahmen.
In einer ersten Evaluation wurden die Modelle GPT‑5, Pi0 und Magma auf die sechs Regime geprüft. Alle drei zeigten starke Leistungen innerhalb ihrer Trainingsdaten, doch sobald sie auf unbekannte Domänen, neue Modalitäten oder Aufgabenverschiebungen trafen, verfiel ihre Leistung dramatisch. Die Schwächen lassen sich in drei Hauptkategorien zusammenfassen: falsche Modallokalisierung, Instabilität der Ausgabeformate und katastrophale Wissensverluste bei Domain‑Transfer.
Diese Ergebnisse verdeutlichen, dass die derzeitigen Foundation‑Modelle noch weit von einer echten Generalität entfernt sind, selbst wenn sie in ihren jeweiligen Trainingsbereichen glänzen. MultiNet v1.0 bietet nun ein standardisiertes Testsubstrat, um diese Lücken gezielt zu diagnostizieren und die Entwicklung zukünftiger, wirklich generalistischer Agenten zu steuern.
Der komplette Code, die Datensätze und die Leaderboards sind öffentlich zugänglich, sodass Forscher und Entwickler sofort loslegen können.