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.
KI-FORSCHUNG·4. JULI 2026
AISI: Benchmarks unterschätzen KI-Agenten systematisch
Das britische AI Security Institute zeigt in seinem Frontier AI Trends Report, dass gängige Benchmarks die wahren Fähigkeiten von KI-Agenten zu tief ansetzen. Verbesserte man nur das «Scaffolding» eines Modells, stieg die Leistung in Cyber-Tests um fast 10 Prozentpunkte. Für KI-Sicherheit und Regulierung ist das ein Alarmzeichen.
KI-FORSCHUNG·4. JULI 2026
Murats Spezialmodell schlägt GPT, Claude und Gemini
Thinking Machines Lab von Ex-OpenAI-Chefin Mira Murati und der Hedgefonds Bridgewater zeigen: Ein kleines, feinjustiertes Custom-Modell schlägt die grossen Frontier-LLMs bei Finanzaufgaben. Es erreicht 84,7 Prozent Genauigkeit und kostet nur einen Bruchteil.
KI-FORSCHUNG·1. JULI 2026
KI scheitert an echter Biologie – in 7 von 10 Fällen
OpenAIs neuer Benchmark GeneBench-Pro prüft echtes Forschungsurteil statt Faktenwissen. Das beste Modell besteht nur knapp jede dritte der 129 Biologie-Aufgaben – eine nüchterne Messlatte für den Hype um KI in der Wissenschaft.
KI-FORSCHUNG·25. JUNI 2026
GPT-5 löst ein drei Jahre altes Immunologie-Rätsel
Der Immunologe Derya Unutmaz hatte ein Experiment vor drei Jahren ungelöst beiseitegelegt. GPT-5 Pro lieferte die Erklärung in einem Anlauf – und sagte danach sogar das Ergebnis eines unveröffentlichten Versuchs korrekt voraus. Ein Lehrstück darüber, wie KI zur Forschungspartnerin wird, ohne Expertenwissen zu ersetzen.
KI-FORSCHUNG·19. JUNI 2026
KI besteht nur jede dritte Forschungsaufgabe
OpenAIs neuer Test LifeSciBench prüft KI an 750 echten Aufgaben aus der Life-Science-Forschung. Das beste Modell löst nur 36 Prozent – ein nützlicher Dämpfer für überzogene Erwartungen an KI im Labor.
KI-FORSCHUNG·12. JUNI 2026
Diese KI träumt sich Strassen für Roboterautos
Das Startup Decart hat mit Oasis 3 ein Weltmodell vorgestellt, das fotorealistische Strassenszenen in Echtzeit erfindet – ein endloser Fahrsimulator, um selbstfahrende Autos auch mit seltenen Situationen zu trainieren. Noch fahren die Autos aber durch Wände.