KI-Durchbruch: Gemini braucht nur 15 Beispiele für 93% Genauigkeit
Veröffentlicht am: 26.08.2026 um 09:52 Uhr | Redaktion boerse-global.de
In einer Kooperation zwischen der Universität Oxford, Google Cloud und der Radboud-Universität konnte nachgewiesen werden, dass das KI-Modell Gemini 1.5 Pro astronomische Transienten mit einer durchschnittlichen Genauigkeit von 93 Prozent identifizieren kann.
Diese Ergebnisse bei der sogenannten Echt-Falsch-Klassifikation sind besonders bemerkenswert, da das Modell für diese Leistung lediglich 15 annotierte Beispiele pro Durchmusterung benötigte. Die Untersuchung stützt sich auf Daten der astronomischen Projekte Pan-STARRS, MeerLICHT und ATLAS.
Die Klassifizierung von Transienten – also kurzlebigen astronomischen Ereignissen wie Supernovae oder anderen plötzlichen Helligkeitsänderungen – ist eine zentrale Aufgabe in der modernen Astronomie. Die Fähigkeit von Sprachmodellen, diese Daten ohne zeitaufwendiges Vortraining präzise zu kategorisieren, könnte die Geschwindigkeit der Datenauswertung in der Forschung erheblich steigern.
Effizienz durch Few-Shot-Prompting
Im Gegensatz zu herkömmlichen Ansätzen in der künstlichen Intelligenz nutzt die vorgestellte Methode das sogenannte Few-Shot-Prompting. Dabei wird das Modell nicht durch ein tiefgreifendes „Fine-Tuning“ auf die spezifische Aufgabe vorbereitet, bei dem oft Tausende von Datensätzen notwendig sind.
Stattdessen reichen dem Modell wenige Beispiele innerhalb der Eingabeaufforderung (Prompt), um die Logik der Klassifizierung zu erfassen und auf neue Daten anzuwenden.
Die Forschungsergebnisse machen jedoch auch deutlich, dass die Genauigkeit des Modells stark von der Anzahl der zur Verfügung gestellten Beispiele abhängt. Während mit 15 Beispielen der Bestwert von 93 Prozent erreicht wurde, sank die Präzision bei einer Reduzierung der Beispiele spürbar.
Die Studie zeigt: Mit nur 15 Beispielen erreicht Gemini 1.5 Pro 93% Genauigkeit bei der Klassifikation astronomischer Transienten – ohne aufwendiges Fine-Tuning. Erfahren Sie im kostenlosen Leitfaden, wie Sie Few-Shot-Prompting für Ihre eigenen Modelle nutzen und so Zeit und Kosten sparen. Jetzt kostenlosen Leitfaden anfordern
Bei 12 Beispielen verringerte sich die Genauigkeit um 0,5 Prozentpunkte, bei sechs Beispielen um 1,4 Prozentpunkte. Ein deutlicherer Leistungsabfall war bei lediglich drei Beispielen zu verzeichnen, wobei die Genauigkeit um 6,9 Prozentpunkte gegenüber dem Referenzwert sank.
Vergleich mit etablierten Verfahren
Trotz der beachtlichen Ergebnisse von Gemini 1.5 Pro liegen spezialisierte, etablierte Verfahren derzeit noch in Führung. Herkömmliche Convolutional Neural Networks (CNNs), die speziell für die Bild- und Signalverarbeitung in der Astronomie entwickelt wurden, übertreffen die aktuellen Gemini-Resultate. Diese spezialisierten Netzwerke erreichen eine Genauigkeit von über 98 Prozent.
Dennoch bietet der Einsatz von Modellen wie Gemini 1.5 Pro Vorteile in der Flexibilität. Während CNNs oft für jede neue Durchmusterung oder jeden neuen Datentyp aufwendig trainiert werden müssen, erlaubt der Few-Shot-Ansatz eine schnellere Anpassung an unterschiedliche Datenquellen wie Pan-STARRS oder ATLAS mit minimalem manuellem Aufwand.
Sie wollen KI-Modelle schnell an neue Datenquellen anpassen, ohne Tausende Trainingsbeispiele? Der Few-Shot-Ansatz aus der aktuellen Forschung zeigt, wie wenige Beispiele reichen – und wo spezialisierte CNNs noch die Nase vorn haben. Leitfaden zur Modellanpassung jetzt sichern
Die wissenschaftliche Grundlage für diese Erkenntnisse wurde bereits im Vorjahr in der Fachzeitschrift Nature Astronomy veröffentlicht. Die beteiligten Forscher der Universität Oxford, der Radboud-Universität und Experten von Google Cloud zeigen damit auf, wie generative KI-Modelle zunehmend eine Rolle in der physikalischen Grundlagenforschung einnehmen könnten, auch wenn sie spezialisierte Architekturen in der reinen Präzision noch nicht vollständig ersetzen.
Die Studie unterstreicht das Potenzial von Large Language Models, komplexe wissenschaftliche Klassifizierungsaufgaben mit einem Bruchteil der üblichen Trainingsdaten zu bewältigen.
