Eine Million Diagramme: MITs ChartNet lehrt KI das Lesen
Forschende am MIT veröffentlichen ChartNet – einen offenen Datensatz mit über einer Million Diagrammen. Damit trainierte kleine Modelle schlagen viel grössere kommerzielle KI beim Lesen von Charts.
Pascal Eugster
GRÜNDER & ENTWICKLER
6. JUNI 2026
2 MIN. LESEZEIT
INHALT
INHALT
in
PARTNER · INOO GMBH
Wie viel KI verträgt dein Betrieb? In 30 Minuten Klartext.
Kostenloses Erstgespräch — herstellerneutral, direkt aus dem Rheintal.
Gespräch buchen →
DAS WICHTIGSTE IN KÜRZE
Nicht das grössere Modell gewinnt, sondern das besser trainierte – und der Datensatz ist offen.
Selbst teure KI-Modelle scheitern erstaunlich oft an einer simplen Aufgabe: ein Balkendiagramm korrekt lesen. Forschende am MIT zeigen jetzt, dass das nicht an der Modellgrösse liegt – sondern am Übungsmaterial.
Eine Million Diagramme zum Üben
Am 3. Juni haben das MIT und das MIT-IBM Computing Research Lab ChartNet veröffentlicht – einen offenen Datensatz mit über einer Million Diagrammen. Das Besondere: Jedes Bild kommt nicht allein, sondern mit dem zugehörigen Code, einer Textbeschreibung, einer Zahlentabelle und passenden Frage-Antwort-Paaren. Genau diese Zusatzinfos helfen einem Modell, die Bildpunkte mit der Bedeutung dahinter zu verknüpfen.
Wie aus einem Chart Tausende werden
Der Trick steckt in einer zweistufigen Pipeline. Zuerst übersetzt ein automatisches System bestehende Diagramme in Code. Dann verändert es diesen Code schrittweise – Diagrammtyp, Werte, Thema, Farben. So entstehen aus einer einzigen Vorlage Hunderte Varianten. Eine eingebaute Qualitätskontrolle prüft, dass der Code lauffähig ist und die erzeugten Bilder sauber und korrekt sind.
Die Kleinen schlagen die Grossen
Das Ergebnis ist die eigentliche Pointe. Trainiert man kleine, offene Modelle (etwa IBMs Granite-Vision-Reihe) mit ChartNet, übertreffen sie um Grössenordnungen grössere kommerzielle Modelle – beim Auslesen von Daten, beim Zusammenfassen und beim Beantworten von Fragen zu einem Diagramm. Nicht das grössere Modell gewinnt, sondern das besser trainierte.
Warum das auch KMU hilft
Für kleine Firmen ist das eine gute Nachricht. Wer keine riesigen Rechenbudgets hat, kann mit einem offenen Modell plus offenem Datensatz brauchbare Ergebnisse erzielen – etwa um Geschäftszahlen oder Reports automatisch auszuwerten. Lead-Autorin Jovana Kondic formuliert das Ziel so: starke Leistung mit kleinen Modellen, «die nicht unendlich viel Rechenleistung brauchen». Die Arbeit wird an der IEEE-Konferenz für Computer Vision (CVPR) vorgestellt.
WEITERLESENDas könnte dich auch interessieren.
Nur für Abonnenten·KI-FORSCHUNG·3. SEPTEMBER 2026
KI findet sechs curl-Lücken – der 6:0-Vergleich hinkt
Im neuen curl-Release stecken neun Sicherheitslücken, sechs davon meldete das KI-System der Firma AISLE – kurz nachdem die Systeme von OpenAI und Anthropic nichts mehr gefunden hatten. Die Funde sind echt und amtlich belegt. Der daraus gebastelte Wettkampf ist es nicht.
KI-FORSCHUNG·3. SEPTEMBER 2026
EPFL gibt der KI Zweifel – und spart 40 Prozent Experimente
Forschende der EPFL koppeln ein Sprachmodell mit einem Gauss-Prozess, der zu jeder Vorhersage eine Unsicherheit mitliefert. Die Methode GOLLuM findet in 23 Benchmark-Aufgaben gute Versuchsbedingungen mit über 40 Prozent weniger Experimenten als klassische Verfahren – publiziert in Nature Machine Intelligence.
KI-FORSCHUNG·2. SEPTEMBER 2026
OpenAI bremst Astra – erstmals «kritische» Cyber-Stufe erreicht
OpenAI stuft sein Modell Astra als erstes in die höchste Cyber-Risikoklasse ein und drosselt den Zugang.
Nur für Abonnenten·KI-FORSCHUNG·1. SEPTEMBER 2026
Anthropic stoppte seine Cyber-Tests – und trainierte einen Betrüger
Anthropic legt offen, was nach den Sicherheitsvorfällen vom Sommer intern passierte: pausierte Cyber-Evaluationen, ein Klassifikator, der Ausbruchsversuche vor dem Tool-Call stoppt, und über 10 Prozent fehlerhafte Trainingsumgebungen. Dazu eine Studie, für die ein Opus-Modell absichtlich zum Betrügen trainiert wurde.
KI-FORSCHUNG·31. AUGUST 2026
Dein Coding-Agent hat kein Zeitgefühl – und merkt es nicht
Claude Code und OpenAI Codex können weder vorhersagen, wie lange eine Aufgabe dauert, noch zuverlässig sagen, wie lange sie schon arbeiten. Eine MATS-Studie misst Fehlschätzungen um das Drei- bis Zehnfache – und zeigt, dass die Agenten sich zusätzlich rund 20 Punkte zu gute Noten geben. Was das für Timeouts, Kostenschätzungen und Projektkalkulation bedeutet.
KI-FORSCHUNG·30. AUGUST 2026
Google gibt KI-Agenten ein Wiki – damit sie aus Fehlern lernen
Ein Preprint von Google Research zeigt, wie KI-Agenten ihre Erfahrung in einem wachsenden Wiki festhalten und daraus bessere Anleitungen für sich selbst schreiben. In Tests stieg die Durchschnittsgenauigkeit von Gemini 3.5 Flash von 49,5 auf 68,1 Prozent.