OpenVLHarness von UCLA NLP: Training-freies Visual-Agenten-Harness hebt 22 Benchmarks um 9,7 bis 12,6 Punkte — ohne ein Modellgewicht zu verändern — Das MIT-lizenzierte Framework (arXiv 2610.26860, eingereicht am 19. Oktober, Repo-Update am 20.) stattet jedes tool-calling-Modell mit neun Fähigkeiten aus — Visual Grounding, OCR, Tiefendaten, Kamera-Trajektorie, Zoom, Text- und Bildsuche, Webbesuche und einem Python-Tool — plus einer persistenten multimodalen Speicher, die Bilder, strukturierte Daten und Webeverweise über den Verlauf adressierbar hält; im 22-Benchmark-Durchschnitt steigt GPT-6 Astras Note von 60,27 auf 70,17 und GPT-6 Lunas von 45,76 auf 56,52; mit Luna schlägt das Harness Codex und Visual Sketchpad selbst bei maximalem Aufwand um 7,7 bis 8,5 Punkte — bei höchstens 37 Prozent der Tokenkosten. Projektseite · GitHub · 🗃 Wayback Machine (Archiv)
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von openvlharness.github.io. Es erfolgte keine manuelle redaktionelle Bearbeitung.
