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.
Kalina Digest unterstützen
Lesen bleibt frei. Wer mag, gibt etwas zurück — ab 1 € einmalig, oder als Stufe für einen Monat, ein Quartal oder ein Jahr. Bisher: 5.00 € aus 1 Beiträgen.
