Evaluierung der kognitiven Altersausrichtung in interaktiven KI-Agenten

Zusammenfassung

Während agentische KI und ihre zentralen multimodalen großen Sprachmodelle (MLLMs) bemerkenswerte Fortschritte in der sprachlichen und visuellen Argumentation über Bereiche hinweg gezeigt haben, die vom Alltag bis zur fortgeschrittenen wissenschaftlichen Forschung reichen, bleibt eine tiefgreifende Kluft zwischen künstlicher und menschlicher Intelligenz bestehen. Trotz der Integration leistungsstarker Werkzeuge und modernster MLLMs versagen hochmoderne KI-Agenten häufig bei grundlegenden, scheinbar einfachen Aufgaben, die ein Kind mühelos lösen kann. Inspiriert von der Wechsler-Intelligenzskala für Kinder (WISC) stellen wir ChildAgentEval vor, den ersten psychometrisch fundierten interaktiven Benchmark zur Bewertung der kognitiven Altersanpassung bei MLLM-basierten Agenten. ChildAgentEval vergleicht systematisch die Argumentationsleistung verschiedener interaktiver MLLM-basierter Agenten mit altersspezifischen menschlichen Entwicklungsstufen und legt offen, wo aktuelle agentische KI-Systeme altersspezifisches kognitives Verhalten simulieren können und wo nicht.

English

While agentic AI and its core multimodal large language models (MLLMs) have demonstrated remarkable promise in language and visual reasoning across domains ranging from daily life to advanced scientific research, a profound gap remains between artificial and human intelligence. Despite the integration of powerful tools and advanced MLLMs, state-of-the-art AI agents frequently fail at foundational, seemingly simple tasks that a child can resolve with ease. Inspired by the Wechsler Intelligence Scale for Children (WISC), we introduce ChildAgentEval, the first psychometrically grounded interactive benchmark for evaluating cognitive age alignment in MLLM-based agents. ChildAgentEval systematically compares the reasoning performance of various MLLM-based interactive agents against age-specific human developmental stages, exposing where current agentic AI systems can and cannot simulate age-specific cognitive behavior.