Tägliche Publikationen

KI-Agenten sind inzwischen in der Lage, kurze, klar definierte Aufgaben selbstständig zu erledigen. Bestehende Terminal-Benchmarks konzentrieren sich jedoch weitgehend auf einfache Probleme, die innerhalb von Minuten abgeschlossen sind und nur anhand ihres Endergebnisses bewertet werden. Dieser Ansatz übersieht Zwischenfortschritte und Teillösungen, was zu spärlichen Belohnungssignalen und einem unvollständigen Bild der Fähigkeiten des Agenten führt. Wir stellen Long-Horizon-Terminal-Bench vor, einen Terminal-Benchmark mit 46 langfristigen Aufgaben aus neun Kategorien, darunter Experimentreproduktion, Softwareentwicklung, multimodale Analyse, interaktive Spiele und wissenschaftliches Rechnen. Jede Aufgabe folgt einem Terminal-Bench-artigen Aufbau mit einer Referenzlösung oder Simulationsengine, ist jedoch weiter in fein abgestufte Teilaufgaben unterteilt. Dieses Design ermöglicht dichte Zwischenbelohnungen und Teilpunkte, sodass die Bewertung nicht nur erfasst, ob ein Agent das Endziel erreicht, sondern auch, wie weit er in offenen Arbeitsabläufen vorankommt. Aufgaben in Long-Horizon-Terminal-Bench erfordern typischerweise Hunderte von Episoden und Minuten bis Stunden an Ausführungszeit, wobei langfristige Planung, Verwaltung langer Kontexte und iteratives Debugging im Vordergrund stehen und nicht die einmalige Problemlösung. Wir evaluieren 15 Spitzenmodelle und stellen fest, dass Agenten im Durchschnitt 9,9 Millionen Tokens pro Aufgabe verbrauchen, mit etwa 231 Episoden und 85,3 Minuten Ausführungszeit pro Durchlauf, was Long-Horizon-Terminal-Bench anspruchsvoller macht als frühere Terminal-Benchmarks. Selbst das stärkste getestete Modell erreicht eine pass@1-Rate von 15,2 % bei einer Teilleistungsschwelle von 0,95 und 10,9 % bei einer perfekten Belohnungsschwelle von 1,0, während die mittlere Bestehensrate über alle Modelle hinweg bei 4,3 % bzw. 1,7 % unter den beiden Schwellenwerten liegt. Diese Ergebnisse zeigen Spielraum für Verbesserungen. Wir analysieren zudem Fehlermodi und Fehlermuster und veröffentlichen Long-Horizon-Terminal-Bench, um zukünftige Fortschritte bei langfristigen Terminal-Agenten zu unterstützen.

Der rasche Fortschritt großer Foundation-Modelle wurde vor allem durch das Vortraining auf großen Textkorpora vorangetrieben. Jedoch wird viel Wissen durch visuelle Darstellungen vermittelt, bei denen Abbildungen, gesetzte Gleichungen und Seitenlayouts reichhaltige Informationen enthalten, die durch Text allein nicht getreu oder vollständig erfasst werden können. Dennoch verwerfen aktuelle Vortrainingsansätze diese visuellen Hinweise, indem sie visuell reichhaltige Quellen wie Dokumente und Webseiten in reinen Text umwandeln, um Sprachintelligenz zu erlernen. Dieses Paper stellt die Standardannahme in Frage, dass Sprachmodelle ausschließlich auf textuellen Repräsentationen trainiert werden müssen, und zeigt, dass Visuelles Vortraining ein skalierbarer Lernalgorithmus für die Intelligenz von Foundation-Modellen ist. Zu diesem Zweck führen wir eine systematische Studie zu unüberwachten visuellen Vortrainingsparadigmen durch, die visuelle Dokumente direkt ohne Textextraktion nutzen. Über mehrere Backbones und Benchmarks hinweg übertrifft das visuelle Vortraining auf denselben zugrundeliegenden Korpora durchweg das rein textbasierte Vortraining und bietet einen effizienten Weg zu skalierbarer Sprachintelligenz.

Angetrieben durch die Vorhersage des nächsten Tokens (Next-Token-Prädiktion) hat sich die NLP von aufgabenspezifischen Modellen hin zu leistungsstarken generalistischen Grundlagenmodellen entwickelt. Was ist dann der entsprechende Katalysator, um ein universelles Modell im Bereich der Computervision zu erreichen? In dieser Arbeit argumentieren wir, dass die groß angelegte Text-zu-Video-Generierung ein starkes Prätrainingsparadigma für die Computervision darstellt, das die notwendigen raumzeitlichen Priors, die Vision-Language-Ausrichtung und die Skalierbarkeit bietet, die für allgemeine visuelle Intelligenz erforderlich sind. Wir stellen GenCeption vor, das ein vortrainiertes Video-Generierungs-Diffusions-Backbone nutzt, um ein Feed-Forward-Wahrnehmungsmodell zu definieren, das in der Lage ist, verschiedene visuelle Aufgaben zu erfüllen, die durch Textanweisungen gesteuert werden. Empirische Ergebnisse zeigen, dass GenCeption bei einer Vielzahl von Aufgaben den neuesten Stand der Technik erreicht, darunter Tiefenschätzung, Oberflächennormalenschätzung und Kameraposenschätzung, ausdrucksbezogene Segmentierung und 3D-Schlüsselpunktschätzung, wobei es oft mit spezialisierten Modellen (z. B. DepthAnything3, SAM3, D4RT, VGGT-Omega, Sapiens, David, Genmo und Lotus-2) mithalten oder diese übertreffen kann. Darüber hinaus übertrifft das video-generativ vortrainierte Backbone alternative Prätrainingsparadigmen (z. B. V-JEPA und Video MAE) unter vergleichbaren Bedingungen. Wichtig ist, dass GenCeption vorläufige Daten- und Modellskalierungseigenschaften sowie eine außergewöhnliche Dateneffizienz aufweist, wobei es mit führenden Modellen wie D4RT und VGGT-Omega vergleichbare Leistungen mit 7- bis 500-mal weniger Trainingsdaten erzielt. Schließlich zeigt GenCeption auch faszinierende emergente Verhaltensweisen: Ein Modell, das ausschließlich mit synthetischen menschlichen Videos trainiert wurde, generalisiert auf reale Aufnahmen und außerhalb der Verteilung liegende Objektkategorien (z. B. Tiere und Roboter). Diese Ergebnisse deuten darauf hin, dass die Videogenerierung nicht nur ein Synthesewerkzeug ist, sondern ein grundlegender Weg zur generalistischen visuellen Intelligenz für die physische Welt. Projektseite: https://genception.github.io

Große Ziele sind schwer auf einmal zu erreichen; es ist klüger, sie in kleine Schritte aufzuteilen. Wir stellen Trust Region Policy Distillation (TOP-D) vor, die die bekanntermaßen instabile, varianzreiche On-Policy Distillation (OPD) durch dynamische Konstruktion eines proximalen Lehrers in ein stabiles Trainingsparadigma umwandelt. Theoretisch etablieren wir einen rigorosen Rahmen, der zeigt, dass TOP-D inhärent die Gradientenvarianz kontrolliert. Durch die Bereitstellung einer formalen globalen Konvergenzanalyse zusammen mit einer monotonen Verbesserungsschranke formalisieren wir mathematisch die Zuverlässigkeit und Stabilität der gesamten Trainingsdynamik. Empirisch verbessert TOP-D die Trainingsstabilität, die Stichprobeneffizienz und die endgültige Leistung bei mathematischen Denkaufgaben dramatisch. Noch wichtiger ist, dass TOP-D keinen zusätzlichen Rechenaufwand einführt und sich damit als vielversprechende Alternative zum etablierten OPD-Paradigma positioniert.

Nach-Trainings-Quantisierung (PTQ) ist eine weit verbreitete Technik zur Komprimierung großer Sprachmodelle (LLMs) ohne erneutes Training. Bestehende PTQ-Methoden zweiter Ordnung, einschließlich GPTQ, konstruieren Quantisierungsziele ausschließlich aus den Statistiken der Eingabeaktivierungen und gehen dabei effektiv davon aus, dass alle Ausgabekanäle gleichermaßen zum schichtweisen Rekonstruktionsziel beitragen. Wir schlagen KronQ vor, ein PTQ-Framework, das diese Annahme infrage stellt, indem es die Gradientenkovarianz in die Quantisierungspipeline einführt. Unter der Kronecker-faktorisierten Hesse-Approximation hängt der Quantisierungsverlust sowohl von der Aktivierungs- als auch von der Gradientenkovarianz ab, und KronQ nutzt dies auf zwei komplementären Ebenen aus: (1) KronQ führt eine bidirektionale Inkohärenzverarbeitung ein, die die bestehende eingabeseitige Zufallsrotation auf die Ausgabedimension unter Verwendung der Gradientenkovarianz ausweitet und so die Varianz der Gewichtsbeträge sowohl über die Eingabe- als auch die Ausgabedimension verringert. (2) KronQ leitet eine neue Empfindlichkeitsmetrik für die schichtübergreifende Zuweisung gemischter Präzision ab, die von den Spuren der Gradienten- und Aktivierungs-Hesse-Matrix angetrieben wird. Bemerkenswerterweise erreicht KronQ bei der 2-Bit-Gewichtsquantisierung von LLaMA-3-70B eine Perplexität von 7,93 auf WikiText-2, während GPTQ und GPTAQ divergieren oder degenerierte Quantisierungen erzeugen (Perplexität >2000).

Großflächige Text-zu-Bild-Modelle sind attraktive Grundlagen für dichte Vorhersage, da das Vortraining auf RGB-Generierung reichhaltige semantische, strukturelle und geometrische A-priori-Informationen lernt. Bestehende generative und Bearbeitungsansätze nutzen diese A-priori-Informationen wieder, indem sie dichte Vorhersage als Zielgenerierung formulieren: Annotationen wie Tiefe, Normalen, Alphamatten, Masken und Heatmaps werden in einen auf RGB trainierten VAE-Latenzraum codiert und als bildähnliche Ziele zurückdecodiert. Wir argumentieren, dass dies mehr von der generativen Ausgabeschnittstelle erbt, als die dichte Vorhersage benötigt: Im Gegensatz zur RGB-Synthese erfordert die dichte Vorhersage pixelgenaue, aufgabenbezogene Felder auf derselben Bildebene, keine neuen RGB-Inhalte, die gerendert werden müssen. Unsere entscheidende Beobachtung ist, dass ein vortrainierter DiT RGB-Eingaben bereits durch ein Patch-zu-Token-zu-Patch-Gitter auf der Bildebene organisiert, sodass jeder Token ein festes Ausgabepatch indiziert, dessen Kanäle aufgabenbezogene Größen anstelle des RGB-Erscheinungsbildes tragen können. Wir setzen dies als ReChannel um: Wir behalten den VAE-Encoder für die Eingabeverteilung des DiT bei, lassen aber den zielseitigen Decoder weg, passen den eingefrorenen DiT mit aufgabenspezifischem LoRA an und bilden jeden Token über einen gemeinsamen token-lokalen linearen Kopf – etwa 33.000 Parameter, keine räumliche Mischung – auf sein p x p x K_t Pixelraum-Patch ab. Unter Verwendung von FLUX-Klein evaluieren wir dies für sechs Aufgaben der dichten Vorhersage und über ein Dutzend Benchmarks. Diese minimale Schnittstelle erzielt neue Bestwerte bei trimap-freiem Matting, KITTI-Tiefe und referenzierender Segmentierung und bleibt bei Normalen, Salienz und Pose wettbewerbsfähig. In einem vergleichbaren 4B-Setting ist sie genauer und 2,48-mal schneller als ein Gegenstück mit Bearbeitung und latenter Decodierung – die dichte Wahrnehmung kann vom generativen Vortraining profitieren, ohne dessen Ausgabeschnittstelle zu erben.

Die Verarbeitung langer Kontexte wird für große Sprachmodelle (LLMs) zunehmend wichtiger, aber eine bloße Erweiterung des Kontextfensters garantiert keine effektive Nutzung langer Eingaben. Mit zunehmender Eingabelänge sinkt oft die Genauigkeit, was darauf hindeutet, dass Modelle weiterhin Schwierigkeiten haben, die für eine Frage relevantesten Belege zu identifizieren und zu nutzen. Ein vielversprechender Weg zur Verbesserung der Nutzung langer Kontexte ist das Testzeit-Training (TTT), das den Testkontext als Trainingsbeispiel für eine instanzspezifische Parameteranpassung behandelt. Allerdings ist die Anwendung von TTT auf den gesamten langen Kontext unerschwinglich teuer, während die Anpassung an zufällig ausgewählte Textabschnitte erhebliches Rauschen verursacht. Da die meisten Textabschnitte in einem langen Kontext für die spezifische Frage irrelevant sind, kann das Training auf ihnen die Leistung des Basismodells sogar verschlechtern. Unsere vorläufige Studie zeigt, dass TTT sehr empfindlich auf die Qualität der Trainingsabschnitte reagiert: In LongBench-v2 beeinträchtigt TTT auf zufällig ausgewählten Abschnitten die Leistung, während TTT auf optimalen Abschnitten sie erheblich verbessert. Motiviert davon schlagen wir eine einfache Methode vor, das selbstgeführte TTT (S-TTT): Vor der Anpassung identifiziert das Modell die Evidenzabschnitte, von denen es lernen sollte, und das standardmäßige Sprachmodell-Trainingsziel wird nur auf diese ausgewählten Abschnitte angewendet. In zwei anspruchsvollen Benchmarks für das Denken mit langen Kontexten, LongBench-v2 und LongBench-Pro, verbessert S-TTT die Genauigkeit sowohl für Qwen3-4B-Thinking-2507 als auch für Llama-3.1-8B-Instruct und erzielt eine relative Verbesserung von bis zu 15 %.

Das Feintuning von LLMs zur Integration neuen Wissens steht vor einer kritischen Herausforderung: LLMs können neue Fakten schnell auswendig lernen, sind jedoch nicht in der Lage, sie für nachgelagerte Denkaufgaben zu nutzen. Wir formalisieren dieses Versagen als die \textbf{Knowing-Using-Lücke}, die durch eine Genauigkeitslücke und eine zeitliche Verzögerung zwischen Auswendiglernen und Verallgemeinerung gekennzeichnet ist. Um dieses Phänomen zu verstehen, führen wir Feintuning bei LLMs mit unbekanntem Wissen durch und überwachen die räumliche Durchdringungsdynamik des Wissens intern mit einer neuartigen Interventionstechnik namens Self-Patching. Self-Patching identifiziert Aktivierungsorte, an denen die Verschiebung von Repräsentationen fehlgeschlagene Verallgemeinerungsfälle erheblich verbessert. Diese Ergebnisse stimmen mit der Hypothese einer Fehlausrichtung des Wissensschaltkreises überein: Auswendiggelernte Repräsentationen können intern existieren, aber nicht zu recheneffektiven Schichten weitergeleitet werden. Um die Praktikabilität dieses diagnostischen Befunds zu demonstrieren, entwerfen wir eine einfache heuristische Strategie, die 58–75 % des Oracle-Spielraums bei Verallgemeinerungsfehlern zurückgewinnt. Die Experimente werden domänenübergreifend durchgeführt, um die Robustheit dieses Befunds zu gewährleisten.

In dieser Arbeit zielen wir darauf ab, die Herausforderung des Langzeitgedächtnisses in panoramischen Weltmodellen zu bewältigen, indem wir die rotationsäquivariante Eigenschaft omnidirektionaler Darstellungen ausnutzen, bei der Rotation als implizite geometrische Transformation behandelt werden kann. Aufbauend auf dieser Erkenntnis schlagen wir PanoWorld vor, das Kameratrajektorien durch feste Blickrichtungen in Translationen vereinfacht – sowohl für die aktuelle Aktionsmodellierung als auch für das Langzeitgedächtnis mittels dichtem Panoramastrahlen-Conditioning (DPRC) und geometriebewusster Gedächtniserweiterung (GMA). Anschließend wird eine dreistufige Trainingspipeline eingeführt, um jede Komponente schrittweise zu optimieren. Um die physikalische Konsistenz unter großräumigen räumlichen Variationen und unterschiedlichen Beleuchtungsbedingungen besser bewerten zu können – während bestehende Datensätze relativ stabil sind – konstruieren wir World360, einen groß angelegten Datensatz, der sowohl reale Videoclips von panoramischen unbemannten Luftfahrzeugen als auch hochwertige simulierte Clips aus AirSim360 umfasst. Umfangreiche Experimente auf World360 belegen die Effektivität von PanoWorld, das alternative Methoden deutlich übertrifft. Unsere Modelle, der Trainingscode und der Datensatz werden öffentlich zugänglich gemacht. Weitere Informationen finden Sie auf unserer Projektseite: https://lihaoy-ux.github.io/panoworld-page/.

Eine realistische und vielfältige Verkehrssimulation ist für die Entwicklung autonomer Fahrzeuge unerlässlich. Allerdings belohnen gängige Benchmarks vorrangig Realismus, und neuere Methoden wurden entsprechend optimiert, sodass die Diversität unzureichend erforscht bleibt. Wir stellen Flow-ERD vor, einen Multi-Agenten-Simulator, der Realismus und Diversität gemeinsam verfolgt. Sein Grundgerüst, das Agententyp-bewusste Flow Matching (AFM), koppelt die multimodale Ausdrucksfähigkeit des Flow Matching mit einer typspezifischen kinematischen Ausführung. Es bewahrt eine feinkörnige Diversität, während die Bewegungen konsistent mit jedem Agententyp bleiben. Eine zweite Stufe, die Entropie-regulierte Destillation (ERD), verfeinert die Closed-Loop-Rollout-Verteilung mittels eines entropie-regulierten Reverse-KL-Optimierungsziels. Dies mildert die Kovariatenverschiebung ab und verhindert explizit einen Kollaps auf hochdichte Modi. Wir evaluieren Flow-ERD mit einer log-freien Diversitätsmetrik sowie standardmäßigen Realismuswerten. Flow-ERD belegt den ersten Platz im WOSAC-Testbenchmark und dominiert die Pareto-Front von Realismus und Diversität unter reproduzierbaren Basislinien. Unsere Projektseite ist verfügbar unter https://seulbinhwang.github.io/flow-erd-project-page/{here}.

Die Medizin ist von Natur aus multimodal und erfordert von Klinikern, Informationen aus verschiedenen Datenströmen zu synthetisieren. Die Entwicklung multimodaler Foundation-Modelle wird jedoch durch den eingeschränkten Zugang zu großen, hochwertigen klinischen Daten begrenzt. Obwohl PubMed Central (PMC) eine ergänzende Quelle von fachlich verfassten Bild-Text-Daten bietet, bleiben bestehende aus PMC abgeleitete Ressourcen in Bezug auf Treue, Reproduzierbarkeit und klinische Validierung eingeschränkt. Wir stellen MedPMC vor, ein automatisiertes, kontinuierlich aktualisierbares Rahmenwerk, das frei lizenzierte Literatur in eine hochtreue Infrastruktur für medizinische multimodale Modelle umwandelt. Angewandt auf 6,1 Millionen PMC-Artikel kuratierte MedPMC 11 Millionen medizinische Bild-Text-Paare. Komponentenbewertungen zeigten eine starke Leistung bei der initialen Filterung (F1 = 93,2), der Erkennung von Mehrtafel-Abbildungen (F1 = 96,5), der Abbildungstrennung (mAP = 89,8), der Trennung und Zuordnung von Bildunterschriften (F1 = 81,4; ROUGE-L = 85,3) und der Klassifikation medizinischer Abbildungen (F1 = 96,5). Eine manuelle Überprüfung durch fünf Annotatoren, drei mit medizinischer Ausbildung, ergab, dass 95,3 % der MedPMC-Bilder medizinisch relevant waren, gegenüber 19,7 % in einem früheren aus PMC abgeleiteten Datensatz. Über 26 Benchmarks, die 11 Fachgebiete abdecken, verbesserte ein mit MedPMC trainiertes CLIP-artiges Modell die durchschnittliche Zero-Shot-AUC um 7,1 Prozentpunkte im Vergleich zur stärksten architekturangepassten biomedizinischen CLIP-Baseline, obwohl weniger als halb so viele Bild-Text-Paare verwendet wurden. Als Visioencoder in einem multimodalen großen Sprachmodell verbesserte es die medizinische visuelle Fragebeantwortung um 1,9 bzw. 16,9 Prozentpunkte bei zwei Benchmarks. Bei 10.524 dermatologischen Fotografien des Yale New Haven Health Systems verbesserte es den Recall@5 bei der Morphologie-zu-Bild-Suche um 11,7 Prozentpunkte. Diese Ergebnisse zeigen, dass eine hochtreue Literaturkuratierung medizinische multimodale Foundation-Modelle sowohl in Benchmark- als auch in klinischen Umgebungen stärkt. Wir veröffentlichen das Rahmenwerk, das Korpus, die Benchmarks und die vortrainierten Modelle öffentlich.

Phonsegmentierung und -erkennung sind von Natur aus miteinander verbundene Aufgaben, dennoch werden sie in modernen Ansätzen typischerweise getrennt modelliert. Wir argumentieren, dass die phonetische Struktur bereits in den Repräsentationen selbstüberwachter Sprachmodelle (S3Ms) latent vorhanden ist und man sie nur lenken muss, um beide Aufgaben zu lösen. Wir nutzen S3M-basiertes Phonologisches Aktivierungs-Mapping (SPAM), das jeden S3M-Repräsentations-Frame auf einen Vektor phonologischer Merkmalsaktivierungen wie Stimmhaftigkeit und Nasalität abbildet. Aufbauend auf SPAM führen wir zwei einfache, aber effektive, leichte, gradientenabstiegsfreie Vorhersageköpfe ein: einen Erkennungskopf und einen Segmentierungskopf. Unsere Methode benötigt weniger als eine Minute phonetischer Transkriptionen und generalisiert auf während des Trainings unbekannte Phone. Über eine Vielzahl von Datensätzen hinweg erzielt unser Ansatz eine starke Segmentierungs- und Erkennungsleistung.

Wir präsentieren Soofi S 30B-A3B, ein souveränes, quelloffenes Foundation-Modell auf Basis eines Mixture-of-Experts (MoE) hybriden Mamba-Transformers für Deutsch und Englisch. Sein hybrides Design aktiviert nur 3B von 30B Parametern pro Token und hält den Inferenz-Cache bei wachsendem Kontext nahezu konstant, was ihm einen entscheidenden Durchsatzvorteil gegenüber dichten Modellen für die Bereitstellung bei langen Kontexten und hoher Parallelität verschafft. Vorab trainiert auf rund 27 Billionen Tokens mit bewusst höher gewichtetem Deutsch, erreicht Soofi S die aggregierten Werte dichter Modelle mit 14 bis 27B Parametern in englischen und deutschen Benchmarks, erzielt dabei die besten Code-Aggregate in beiden Sprachen unter 17 offenen Basismodellen und übertrifft jede europäische souveräne Baseline in unserem Vergleich – einschließlich solcher mit weitaus mehr aktiven Parametern. Unter den vollständig offenen Modellen erzielt Soofi S die höchsten Bewertungswerte für Englisch und Deutsch, vor Olmo 3 32B und Apertus 70B. Soofi S wurde Ende-zu-Ende auf der German Industrial AI Cloud entwickelt, einer souveränen HPC-skalierenden KI-Infrastruktur, die von der Deutschen Telekom in München betrieben wird. Soofi S wird unter sehr freizügigen Open-Access-Bedingungen veröffentlicht: Gewichte, ausgewählte Zwischen-Checkpoints, vollständige quellenbezogene Datenbuchhaltung, Hyperparameter sowie Trainings- und Evaluierungscode. Wo es die Quelllizenzen erlauben, werden Datenkonstruktionsartefakte unter freizügigen Lizenzen veröffentlicht; kommerziell lizenzierte Quellen werden mit aggregierten Statistiken und exakter Mischungsbuchhaltung dokumentiert.

Vision-Sprach-Modelle (VLMs) haben interaktive digitale Museen zunehmend realisierbar gemacht, indem sie die 3D-Digitalisierung mit der Erkundung von Artefakten in natürlicher Sprache verbinden. In Kulturerbebereichen wie der antiken griechischen Keramik wird eine zuverlässige VLM-Unterstützung jedoch durch zwei Herausforderungen eingeschränkt. Erstens erfordert die offene Interpretation eine Verankerung feinkörniger 2D/3D-visueller Beweise in spezialisiertem kuratorischem Wissen, doch der Abrufprozess kann schwache Quellen und nicht verifizierbare Referenzen einführen. Zweitens produzieren VLMs bei unvollständigen, verrauschten oder mehrdeutigen Beweisen oft selbstbewusste, aber unbegründete Antworten anstelle einer kalibrierten Unsicherheit. Um diese Herausforderungen zu bewältigen, schlagen wir VaseMuseum vor, ein leichtgewichtiges und modulares multimodales Agenten-Framework für intelligente digitale Museen antiker griechischer Keramik. VaseMuseum kombiniert ein interaktives virtuelles Museum mit VaseAgent, das sowohl 2D-Bilder als auch 3D-Artefakte durch multimodale Wahrnehmung, 3D-bewusstes Denken, externes Wissensabrufen und Zuverlässigkeitskontrolle zur Inferenzzeit unterstützt. Insbesondere ruft VaseAgent Beweise aus autoritativen Web- und Museumswissensquellen ab, und die Quellenkontrolle wählt vor der Generierung vielfältige und verifizierbare Beweise aus. Gleichzeitig prüft die Antwortkontrolle generierte Behauptungen gegen den Evidenzpool und fördert neutrale, evidenzgebundene Antworten, wenn die Unterstützung unzureichend oder widersprüchlich ist. Darüber hinaus bevorzugt ein trainingsfreier GRPO-artiger Auswahlmechanismus Antworten mit gültigen Referenzen und kalibrierter Konfidenz, ohne das VLM-Backbone zu aktualisieren. Experimente in einer realistischen Simulation eines digitalen Museums zeigen, dass VaseMuseum im Vergleich zu suchfähigen VLM-Baselines die Zitiervalidität verbessert, Halluzinationen bei wissensintensiven Anfragen reduziert und unter Mehrdeutigkeit neutralere Antworten liefert.