Wetenschappers hebben een nieuw technologisch kader ontwikkeld genaamd SAGE-VQA, dat specifiek is ontworpen om de precisie van kennisgebaseerde visuele vraagbeantwoording (KB-VQA) te verbeteren. Het systeem is erop gericht om twee grote problemen in de huidige AI-modellen aan te pakken: fouten in de visuele perceptie en het fenomeen van hallucinaties, waarbij een model informatie genereert die niet in het bronbeeld aanwezig is.
Volgens een publicatie op arxiv.org is SAGE-VQA een zogenaamd "training-free" agentic framework. Dit houdt in dat het systeem kan worden geïmplementeerd zonder dat de onderliggende modellen opnieuw getraind moeten worden. De innovatie van Ruirui Shen en collega-onderzoekers rust op de synergie tussen het verifiëren van bewijsmateriaal en het evolueren van ervaringen.
Een cruciaal onderdeel van deze aanpak is de Evidence-Driven Adaptive Reasoning (EDAR) strategie. Deze methode stelt het systeem in staat om zeer specifieke en relevante visuele data te extraheren en te controleren. Dit gebeurt via een Co-verified Visual Grounding module, die ervoor zorgt dat de redenering van de AI is gebaseerd op gefundeerd visueel bewijs in plaats van aannames.
Daarnaast maakt het framework gebruik van een Self-evolving Hierarchical Memory (SHM). Zoals beschreven in het , verdeelt dit mechanisme ervaringen in procedurele en declaratieve herinneringen. Deze informatie kan bij toekomstige vragen opnieuw worden ingezet en continu worden verfijnd op basis van feedback, zonder dat de parameters van het model zelf aangepast hoeven te worden.
Uit experimenten blijkt dat SAGE-VQA superieure resultaten behaalt in vergelijking met andere methoden. Dit geldt zowel voor gesloten bronmodellen als voor lichtgewicht open-source vision-language modellen (VLMs). Omdat het framework als een "plug-and-play" oplossing fungeert, kunnen bestaande VLMs direct profiteren van de verbeterde redeneerkracht zonder dat hun architectuur gewijzigd hoeft te worden. Het onderzoek, dat is ingediend op , valt onder de discipline Computer Vision and Pattern Recognition.
Hoewel de naam SAGE in dit academische kader centraal staat, is de term ook bekend in de zakelijke dienstverlening. Zo bestaat er een uitgebreide lijn van co.za die wordt ingezet in markten zoals Zuid-Afrika, Nigeria en Kenia. Deze software richt zich op financiële administratie en ondersteuning voor accountants en adviseurs.
Het is echter belangrijk te benadrukken dat er geen enkele functionele of organisatorische link bestaat tussen de genoemde boekhoudsoftware en het AI-onderzoek naar visuele vraagbeantwoording. De overeenkomst is puur taalkundig; waar de ene applicatie zich richt op fiscale optimalisatie en privacybeheer voor accountants, richt het SAGE-VQA project zich op de technische grensverlegging van kunstmatige intelligentie.