Forskere har udviklet en ny metode, PRISM, der markant forbedrer multimodale AI-modellers evne til at følge komplekse, prioriterede instruktioner. Metoden, beskrevet i et nyt paper på arXiv, adresserer et grundlæggende problem: De fleste træningsdata for multimodale modeller reducerer opgavefølgning til at besvare ét enkelt spørgsmål, men virkelige instruktioner indeholder ofte flere krav med forskellig vægt.
PRISM træner modellen som en 'eksekutor', der skal verificere hver regel i en rubric, før den afgiver en samlet vurdering. Metoden består af en fire-trins data-syntese-proces, der genererer persona-opgave-par, regel-sæt, kvalitetsfiltrerede rubrics og strukturerede verifikationsspor. Med kun 10.000 syntetiske eksempler løftede PRISM Qwen3-VL-4B's nøjagtighed fra 9,5% til 30,1% på den nye evalueringsbenchmark PRISM-Eval, samtidig med at modellen bevarede sin generelle ydeevne. Gevinsten overføres også til fire andre open-source multimodale modeller.
For beslutningstagere betyder dette, at AI-modeller kan blive væsentligt bedre til at håndtere opgaver, hvor flere krav skal opfyldes i prioriteret rækkefølge – fx i automatiserede kundeservice-scenarier, hvor en model skal følge både compliance-regler og brugerønsker. PRISM-Eval tilbyder desuden en mere pålidelig evalueringsmetode, da den bruger deterministisk matching i stedet for en dyr og potentielt upålidelig dommer-model.
