// Modelle & Forschung 23.09.2026 · 07:34 Uhr 11 Min. Lesezeit

TAPe ML v3 untersucht kompakte strukturierte Modelle für Computer Vision

Mindverse News

KI-gestützt erstellt 7 Quellen Arbeitsweise

TAPe ML v3 untersucht kompakte strukturierte Modelle für Computer Vision — Symbolbild

Mit TAPe+ML v3 stellt das Comexp Research Lab eine kompakte Computer-Vision-Architektur vor, die Klassifikation, Objekterkennung und Instanzsegmentierung in einem gemeinsamen System verbinden soll. Der zentrale Ansatz besteht darin, visuelle Informationen zunächst in eine strukturierte Repräsentation zu überführen, anstatt sie unmittelbar als Pixel-Tensoren zu verarbeiten. Nach Angaben der Autoren benötigt das System weniger als 100.000 Parameter und erreicht auf ausgewählten Benchmarks beachtliche Ergebnisse. Die Aussagekraft der Resultate ist jedoch im Kontext der verwendeten Datensätze, Metriken und noch begrenzten unabhängigen Validierung zu bewerten.

// Inhalt · 12 Abschnitte

Das Wichtigste in Kürze
Ein anderer Ausgangspunkt für Computer Vision
Eine gemeinsame Architektur für mehrere Aufgaben
Die berichteten Benchmark-Ergebnisse
Warum die Modellgröße für Unternehmen relevant ist
Der mögliche Vorteil einer strukturierten Repräsentation
Tests zu Video und veränderten Einsatzbedingungen
Abgrenzung zu etablierten Modellen
Offene Fragen zur wissenschaftlichen Einordnung
Praktische Bedeutung für Edge AI und On-Premises-Systeme
Was Unternehmen aus der Veröffentlichung ableiten können
Fazit
Quellen

Das Wichtigste in Kürze

TAPe+ML v3 basiert auf der „Theory of Active Perception“ und verarbeitet visuelle Beziehungen in einer strukturierten Zwischenrepräsentation.
Die Architektur soll drei zentrale Aufgaben abdecken: Bildklassifikation, Objekterkennung und Instanzsegmentierung.
Nach den im Paper berichteten Ergebnissen verwendet das System weniger als 100.000 Parameter.
Auf dem COCO-Datensatz werden 84,7 mAP50 und 65,3 mAP50-95 für die Objekterkennung angegeben.
Für die Instanzsegmentierung nennt die Studie 80,7 Mask mAP50 und 58,4 Mask mAP50-95.
Die geringe Modellgröße zielt insbesondere auf CPU-, Edge- und On-Premises-Szenarien ab.
Die Autoren argumentieren, dass ein Teil der Modellierungsarbeit von den Netzwerkparametern in die strukturierte Eingaberepräsentation verlagert wird.
Für Unternehmen sind vor allem Energieverbrauch, Latenz, Datenschutz und die mögliche Anpassung an kleine Datensätze relevant.
Die veröffentlichten Zahlen stammen aus den Experimenten der Autoren und sollten vor einem produktiven Einsatz durch unabhängige Tests ergänzt werden.

Ein anderer Ausgangspunkt für Computer Vision

Moderne Computer-Vision-Systeme basieren häufig auf tiefen neuronalen Netzen, die Bilddaten in Form von Pixel-Tensoren verarbeiten. In solchen Systemen übernimmt das Modell selbst die Aufgabe, aus Rohdaten schrittweise Kanten, Formen, Texturen, Objekte und semantische Zusammenhänge zu lernen. Diese Vorgehensweise hat in den vergangenen Jahren erhebliche Fortschritte bei Klassifikation, Detektion und Segmentierung ermöglicht. Sie geht jedoch häufig mit hohen Anforderungen an Rechenleistung, Speicher, Trainingsdaten und technische Infrastruktur einher.

Das Paper zu TAPe+ML v3 verfolgt einen anderen Ansatz. Die von Sergey Kurinov und Alexey Upatov vom Comexp Research Lab beschriebene Architektur basiert auf TAPe, der „Theory of Active Perception“. Dabei soll ein Bild nicht ausschließlich als Ansammlung einzelner Pixel betrachtet werden. Stattdessen werden visuelle Elemente und die Beziehungen zwischen ihnen in einer strukturierten Repräsentation abgebildet, bevor die eigentliche Erkennungsaufgabe beginnt.

Der Unterschied liegt damit weniger in einer einzelnen neuen Schicht innerhalb eines bekannten Deep-Learning-Modells als in der Frage, an welcher Stelle visuelle Bedeutung entsteht. Bei klassischen Pixelpipelines muss das neuronale Netz aus den Rohdaten sowohl die relevante Bildstruktur rekonstruieren als auch die jeweilige Zielaufgabe lösen. TAPe+ML versucht, bereits in der Eingabephase eine Ordnung herzustellen, die für spätere Erkennungsaufgaben nützlich sein soll.

Nach Darstellung der Autoren können dadurch bestimmte Beziehungen zwischen Bildelementen expliziter repräsentiert werden. Das Modell muss diese Zusammenhänge nicht vollständig aus einer unstrukturierten Pixelmatrix ableiten. Ein Teil der Komplexität wird somit von der trainierbaren Netzarchitektur in die Gestaltung der Repräsentation verschoben.

Eine gemeinsame Architektur für mehrere Aufgaben

Ein wesentlicher Anspruch von TAPe+ML besteht darin, mehrere Computer-Vision-Aufgaben mit einer gemeinsamen Grundlage abzudecken. In vielen industriellen Anwendungen werden für Klassifikation, Objekterkennung und Segmentierung unterschiedliche Modelle, Trainingspipelines und Bereitstellungsprozesse eingesetzt. Das erhöht den Aufwand für Entwicklung, Betrieb, Monitoring und Aktualisierung.

TAPe+ML verwendet nach Angaben im Paper einen gemeinsamen TAPe-Raum, auf dem verschiedene Erkennungskomponenten aufsetzen. Die Architektur umfasst unter anderem eine Verarbeitung des Hintergrunds und von Konturen, eine lokale Lokalisierung von Objekten, eine prototypbasierte Klassifikation sowie einen Koordinator für spezialisierte Teilmodelle.

Bei der Bildklassifikation soll das System bestimmen, welcher Kategorie ein Bild oder ein Bildausschnitt zugeordnet werden kann. Die Objekterkennung erweitert diese Aufgabe um Position und Ausdehnung erkannter Objekte. Die Instanzsegmentierung geht noch einen Schritt weiter: Sie soll für einzelne Objekte pixelgenaue oder annähernd pixelgenaue Masken erzeugen, auch wenn mehrere Objekte derselben Klasse im Bild vorkommen.

Die gemeinsame Repräsentation könnte für Unternehmen interessant sein, die mehrere visuelle Prüfaufgaben in einer Infrastruktur bündeln möchten. Ein denkbares Szenario wäre eine Produktionsanlage, in der ein System zunächst feststellt, ob ein Bauteil vorhanden ist, anschließend seine Position lokalisiert und zusätzlich sichtbare Defekte oder Konturen segmentiert.

Aus den verfügbaren Informationen lässt sich jedoch nicht ableiten, dass jede dieser Aufgaben in jedem Anwendungsszenario mit identischer Qualität gelöst wird. Multi-Task-Architekturen können Vorteile bei Speicherbedarf und Wartung bieten, müssen aber mit Zielkonflikten umgehen. Eine Repräsentation, die für Klassifikation gut geeignet ist, muss nicht automatisch die Anforderungen präziser Segmentierung erfüllen. Für eine belastbare Bewertung sind daher aufgabenspezifische Tests und ein Vergleich mit etablierten Alternativen erforderlich.

Die berichteten Benchmark-Ergebnisse

Die Studie berichtet Ergebnisse auf mehreren bekannten Datensätzen und für unterschiedliche Aufgaben. Für die Objekterkennung auf COCO nennt das Paper einen Wert von 84,7 mAP50 sowie 65,3 mAP50-95. Die Abkürzung mAP steht für „mean Average Precision“ und bezeichnet eine zusammengefasste Genauigkeitsmetrik. Bei mAP50 wird eine Erkennung typischerweise dann als korrekt bewertet, wenn die Überschneidung zwischen vorhergesagter und tatsächlicher Objektbox einen Schwellenwert von 50 Prozent erreicht.

mAP50-95 ist anspruchsvoller, da mehrere Überschneidungsschwellen von 50 bis 95 Prozent berücksichtigt werden. Ein höherer Wert bei mAP50-95 weist daher in der Regel auf eine präzisere Lokalisierung hin. Die beiden Zahlen sind nicht direkt austauschbar und sollten nicht isoliert interpretiert werden.

Für die Instanzsegmentierung werden 80,7 Mask mAP50 und 58,4 Mask mAP50-95 angegeben. Diese Werte beziehen sich auf die Qualität der erzeugten Objektmasken. Auch hier gilt, dass die Wahl der Metrik, die genaue Evaluierungskonfiguration und die verwendeten Trainingsbedingungen einen erheblichen Einfluss auf die Ergebnisse haben können.

Im Bereich der Klassifikation berichtet die Veröffentlichung unter anderem eine Validierungsgenauigkeit von 92 Prozent auf Imagenette in einem Vergleich mit identischen Trainingsbedingungen und einer Rohpixel-Baseline. Zusätzlich wird für ImageNet-Real eine Top-1-Genauigkeit von 89,9 Prozent genannt. In einer weiteren Darstellung auf Hugging Face wird für ImageNet-1k ein Top-1-Wert von 88,1 Prozent erwähnt. Da sich Datensätze, Testprotokolle und Versionen unterscheiden können, sollten diese Angaben nicht ohne Prüfung zu einer einzigen Leistungskennzahl zusammengeführt werden.

Die Ergebnisse sind vor allem deshalb bemerkenswert, weil sie mit einer sehr kleinen Zahl an Parametern verbunden werden. Nach Angaben der Autoren liegt die Zahl unter 100.000. Das ist im Vergleich zu vielen verbreiteten Computer-Vision-Modellen ungewöhnlich niedrig. Allerdings ist die Parameterzahl allein kein vollständiges Maß für den Ressourcenbedarf. Vorverarbeitung, Speicherzugriffe, Repräsentationsberechnung, Modellarchitektur, Betriebssystem und Hardware beeinflussen die tatsächliche Laufzeit ebenfalls.

Warum die Modellgröße für Unternehmen relevant ist

Kompakte Modelle können in Umgebungen Vorteile bieten, in denen leistungsfähige GPUs nicht verfügbar oder wirtschaftlich nicht sinnvoll sind. Dazu zählen industrielle Steuerungen, Kamerasysteme, mobile Geräte, Filialinfrastrukturen, Fahrzeuge und lokale Server. Wenn Schlussfolgerungen direkt vor Ort ausgeführt werden können, müssen Bilddaten nicht zwangsläufig an einen zentralen Cloud-Dienst übertragen werden.

Für Unternehmen ergeben sich daraus mehrere mögliche Effekte:

Geringere Latenz: Lokale Inferenz kann Übertragungswege verkürzen und Reaktionszeiten reduzieren.
Datenschutz: Sensible Bilddaten können vor Ort verarbeitet werden, ohne die Infrastruktur verlassen zu müssen.
Planbare Betriebskosten: Bei großen Bildmengen kann die Abhängigkeit von cloudbasierten GPU- oder API-Kosten sinken.
Robustheit bei eingeschränkter Verbindung: Edge-Systeme können auch bei instabiler oder fehlender Internetverbindung arbeiten.
Einfachere Hardwareanforderungen: CPU-basierte oder eingebettete Systeme können für bestimmte Anwendungen ausreichen.
Skalierbarkeit: Viele dezentrale Kameras oder Prüfstationen lassen sich potenziell mit geringem Hardwareaufwand ausstatten.

Die Projektinformationen auf Hugging Face nennen darüber hinaus eine Modellgröße von unter 100 Kilobyte und eine Laufzeit von ungefähr acht Millisekunden pro Frame auf einer CPU. Solche Angaben sind für die Praxis interessant, müssen aber im jeweiligen Kontext überprüft werden. Entscheidend sind unter anderem CPU-Modell, Eingangsauflösung, Vorverarbeitung, Batch-Größe, Programmiersprache und Messmethode.

Ein Vergleich zwischen einer lokal optimierten Pipeline und einem großen Cloudmodell sollte deshalb nicht nur anhand der theoretischen Parameterzahl erfolgen. Für eine Investitionsentscheidung zählen die Gesamtkosten des Betriebs, die Wartbarkeit, die Fehlerquote, der Energieverbrauch und die Qualität unter realen Bedingungen.

Der mögliche Vorteil einer strukturierten Repräsentation

Die Kernthese von TAPe+ML lautet, dass Computer-Vision-Systeme effizienter werden können, wenn relevante Beziehungen zwischen visuellen Elementen bereits vor der Erkennung abgebildet werden. In einem solchen Konzept ist das neuronale Netz nicht mehr allein dafür verantwortlich, aus Rohpixeln sämtliche abstrahierten Strukturen zu lernen.

Diese Idee steht in einem größeren Forschungszusammenhang. In der maschinellen Wahrnehmung werden seit Langem Verfahren untersucht, die lokale Merkmale, Geometrie, Konturen, Objektbeziehungen oder andere Formen struktureller Information nutzen. Neu ist bei TAPe+ML vor allem die Kombination dieser Grundannahme mit einer gemeinsamen Architektur für mehrere Aufgaben und einer sehr kleinen Parameterzahl.

Eine strukturierte Darstellung kann außerdem bei kleinen Datensätzen Vorteile versprechen. Wenn ein Teil der visuellen Ordnung nicht vollständig durch Training erlernt werden muss, könnte der Bedarf an annotierten Beispielen sinken. Die Projektinformationen verweisen auf eine Anpassung mit wenigen Beispielen. Solche Aussagen sind für industrielle Anwendungen relevant, weil dort häufig keine Millionen annotierten Bilder zur Verfügung stehen.

Gleichzeitig entsteht eine neue Abhängigkeit: Die Qualität der Vorrepräsentation wird zu einem kritischen Faktor. Ist sie zu stark auf bestimmte Bildtypen, Beleuchtungsbedingungen oder Objektformen zugeschnitten, kann die Übertragbarkeit leiden. Eine strukturierte Repräsentation muss deshalb nicht nur kompakt, sondern auch robust gegenüber Perspektivwechseln, Verdeckungen, Rauschen, Materialvariationen und Veränderungen der Umgebung sein.

Tests zu Video und veränderten Einsatzbedingungen

Das Paper beschreibt neben Standard-Benchmarks auch Untersuchungen zur Erkennung von Szenen in Videos sowie zur Anpassung an Verteilungsverschiebungen in einem industriellen Pilotprojekt. Eine Verteilungsverschiebung liegt vor, wenn sich die Bedingungen im praktischen Betrieb von den Bedingungen im Training unterscheiden. Das kann beispielsweise durch andere Kameras, neue Lichtverhältnisse, veränderte Produktionsmaterialien oder saisonale Einflüsse geschehen.

Diese Tests sind für den industriellen Einsatz besonders wichtig. Ein Modell, das auf einem statischen Datensatz gut funktioniert, muss nicht automatisch in einer laufenden Produktionsumgebung zuverlässig sein. Bei Videos kommen zusätzlich zeitliche Aspekte hinzu. Das System muss mit ähnlichen aufeinanderfolgenden Bildern, Bewegungen, wechselnden Hintergründen und möglichen Unschärfen umgehen.

Die Autoren verbinden die kompakte Architektur mit der Möglichkeit einer schnelleren Anpassung. Ob diese Anpassung im Einzelfall tatsächlich mit wenigen Beispielen gelingt, hängt jedoch von der Aufgabenstellung und der Datenqualität ab. Unternehmen sollten vor einer Einführung eigene Pilotdaten verwenden und insbesondere seltene Fehlerfälle testen.

Abgrenzung zu etablierten Modellen

Die verfügbaren Projektinformationen stellen TAPe+ML als kompakte Alternative zu größeren Vision-Modellen und in bestimmten Zusammenhängen auch zu bekannten Detektorfamilien wie YOLO dar. Ein solcher Vergleich ist nur dann aussagekräftig, wenn die Modelle unter vergleichbaren Bedingungen trainiert und evaluiert werden.

Zu den relevanten Vergleichsfaktoren gehören:

identische Trainings- und Testdatensätze
gleiche Bildauflösung und Vorverarbeitung
vergleichbare Datenaugmentation
einheitliche Definition der Metriken
gleiche Hardware und identische Laufzeitumgebung
Berücksichtigung von Vorverarbeitung und Nachbearbeitung
Messung von Genauigkeit, Latenz, Speicherbedarf und Energieverbrauch
Verhalten bei neuen Klassen und veränderten Umgebungsbedingungen

Ein sehr kleines Modell kann bei einer klar abgegrenzten Aufgabe besonders effizient sein, während ein größeres Modell bei komplexen, offenen oder stark variierenden Szenarien Vorteile behält. Die Entscheidung zwischen beiden Ansätzen ist daher keine reine Frage der Benchmark-Rekorde. Sie hängt davon ab, welche Anforderungen an Genauigkeit, Erklärbarkeit, Anpassung, Integrationsaufwand und Infrastruktur bestehen.

Offene Fragen zur wissenschaftlichen Einordnung

Die Veröffentlichung liefert nach den vorliegenden Angaben eine Reihe von Ergebnissen, doch mehrere Fragen bleiben für eine umfassende Einordnung offen. Dazu zählt zunächst die unabhängige Reproduzierbarkeit. Das Modell wird als proprietäre Architektur beschrieben; die Gewichte sind nach den Projektinformationen nicht frei erhältlich. Damit ist eine vollständige externe Überprüfung der Resultate erschwert.

Auch die genaue Aufteilung des Ressourcenbedarfs ist relevant. Die Angabe von weniger als 100.000 Parametern beschreibt die trainierbare Modellgröße, sagt aber nicht zwingend aus, wie aufwendig die TAPe-Repräsentation erzeugt wird. Für die Praxis müsste untersucht werden, welcher Anteil der Laufzeit auf die Repräsentation, die Erkennungsmodule und die Nachbearbeitung entfällt.

Darüber hinaus ist die Datenökonomie näher zu prüfen. Die Aussage, dass Training oder Anpassung mit wenigen Beispielen möglich sein kann, sollte nach Aufgaben, Klassenanzahl und Schwierigkeitsgrad differenziert werden. Eine kleine Zahl an Beispielen kann für klar definierte industrielle Defekte ausreichen, während eine allgemeine Objekterkennung unter wechselnden Bedingungen deutlich höhere Anforderungen stellt.

Schließlich ist die Robustheit gegenüber atypischen Fällen von Bedeutung. Dazu gehören teilweise verdeckte Objekte, ungewöhnliche Perspektiven, Reflexionen, Bewegungsunschärfe, niedrige Beleuchtung und stark ähnliche Klassen. Gerade bei sicherheitskritischen oder qualitätsrelevanten Anwendungen darf ein geringer Ressourcenbedarf nicht zulasten der Fehlersicherheit gehen.

Praktische Bedeutung für Edge AI und On-Premises-Systeme

Der Ansatz adressiert einen wachsenden Bedarf in der Unternehmens-IT. Viele Organisationen möchten Künstliche Intelligenz direkt an der Datenquelle einsetzen, etwa an Kameras, Maschinen oder lokalen Analysepunkten. Gründe sind Datenschutz, Echtzeitfähigkeit, begrenzte Netzwerkbandbreite und die Notwendigkeit, Systeme auch unabhängig von externen Plattformen zu betreiben.

Für eine Einführung in der Praxis wäre eine mehrstufige Prüfung sinnvoll:

Anwendungsfall definieren: Sie sollten zunächst festlegen, ob Klassifikation, Detektion, Segmentierung oder eine Kombination benötigt wird.
Realdaten erfassen: Benchmarkdaten bilden die betriebliche Umgebung nur teilweise ab. Eigene Aufnahmen mit typischen und atypischen Bedingungen sind erforderlich.
Hardware messen: Die Inferenz sollte auf der tatsächlich vorgesehenen CPU, Kameraeinheit oder Edge-Plattform getestet werden.
Fehlerkosten bewerten: Falsch-positive und falsch-negative Entscheidungen können je nach Anwendung sehr unterschiedliche wirtschaftliche Folgen haben.
Modellpflege planen: Neue Produkte, Kameras und Produktionsbedingungen können regelmäßige Nachtrainings erforderlich machen.
Datenschutz und Governance prüfen: Lokale Verarbeitung reduziert bestimmte Risiken, ersetzt aber keine vollständige Prüfung der Datenflüsse und Zugriffsrechte.

Für Unternehmen, die Inhalte, Bilder oder visuelle Daten automatisiert verarbeiten, kann die Entwicklung kompakter Modelle zudem eine Ergänzung zu cloudbasierten KI-Diensten darstellen. Plattformen wie Mindverse können dabei als übergreifender KI-Partner für Text, Content, Bilder und Recherche dienen, während spezialisierte Vision-Komponenten für bestimmte Analyseaufgaben lokal oder in einer Unternehmensumgebung eingesetzt werden. Welche Architektur geeignet ist, hängt vom konkreten Prozess und den Anforderungen an Integration, Datenschutz und Skalierung ab.

Was Unternehmen aus der Veröffentlichung ableiten können

TAPe+ML v3 steht für einen Trend, bei dem nicht ausschließlich größere Modelle und umfangreichere Datensätze im Mittelpunkt stehen. Stattdessen wird untersucht, wie strukturelle Vorverarbeitung, modulare Systeme und aufgabenspezifische Repräsentationen die Effizienz verbessern können. Für Unternehmen ist dieser Perspektivwechsel relevant, weil viele produktive KI-Anwendungen nicht die größtmögliche Modellkapazität benötigen, sondern ein verlässliches Verhältnis von Genauigkeit, Kosten und Wartbarkeit.

Die im Paper genannten Ergebnisse deuten darauf hin, dass ein Modell mit sehr kleiner Parameterzahl mehrere anspruchsvolle Computer-Vision-Aufgaben bearbeiten kann. Das ist ein interessanter Forschungsbefund, aber noch kein allgemeiner Nachweis, dass kompakte strukturierte Modelle größere Systeme in allen Szenarien ersetzen. Entscheidend werden weitere unabhängige Vergleiche, offen dokumentierte Evaluierungen und Tests mit realen Unternehmensdaten sein.

Für die technische Bewertung sollten Sie deshalb drei Ebenen auseinanderhalten. Erstens geht es um die wissenschaftliche Frage, ob die Repräsentation tatsächlich zu einem besseren Verhältnis zwischen Leistung und Modellgröße führt. Zweitens ist die ingenieurtechnische Frage zu klären, wie schnell und stabil die vollständige Pipeline auf Zielhardware arbeitet. Drittens muss die betriebswirtschaftliche Perspektive betrachtet werden: Welche Kosten entstehen für Training, Integration, Monitoring, Aktualisierung und Ausfallsicherheit?

Fazit

Die Veröffentlichung zu TAPe+ML v3 beschreibt eine kompakte Computer-Vision-Architektur, die visuelle Informationen in einer strukturierten Repräsentation verarbeitet und darauf mehrere Erkennungsaufgaben aufbaut. Mit weniger als 100.000 Parametern und den berichteten Ergebnissen auf COCO, Imagenette und ImageNet-Real positioniert sich der Ansatz im Umfeld effizienter KI und Edge Computing.

Der zentrale technische Gedanke besteht darin, einen Teil der Wahrnehmungs- und Strukturierungsleistung aus dem trainierbaren Netzwerk in eine vorgeschaltete Repräsentation zu verlagern. Das könnte bei begrenzter Rechenleistung, kleinen Datensätzen und lokalen Verarbeitungsanforderungen Vorteile bieten. Zugleich müssen Unternehmen die Angaben anhand eigener Daten, Hardware und Qualitätskriterien überprüfen.

Für die weitere Entwicklung wird entscheidend sein, wie gut sich die Ergebnisse reproduzieren lassen, wie robust das System unter realen Verteilungsverschiebungen arbeitet und welchen Gesamtaufwand die Verarbeitung der strukturierten Repräsentation verursacht. TAPe+ML ist damit weniger als abschließende Antwort auf die Frage nach der effizientesten Computer Vision zu verstehen, sondern als ein Forschungs- und Architekturansatz, der die Diskussion über kompakte, modulare und lokal einsetzbare KI-Systeme erweitert.

Bibliografie

Kurinov, Sergey; Upatov, Alexey: „TAPe+ML: A Compact Structured Representation for Multi-Task Computer Vision“. arXiv:2609.20869. Veröffentlicht am 15. September 2026. https://arxiv.org/abs/2609.20869
Kurinov, Sergey; Upatov, Alexey: „TAPe+ML: A Compact Structured Representation for Multi-Task Computer Vision“. Volltext, arXiv. https://arxiv.org/pdf/2609.20869
Hugging Face Papers: „TAPe+ML: A Compact Structured Representation for Multi-Task Computer Vision“, arXiv:2609.20869. https://huggingface.co/papers/2609.20869
Comexp Research Lab: „Comexp/tape-ml“. Hugging Face Model Page. https://huggingface.co/Comexp/tape-ml
Comexp Research Lab: Profil und Projektübersicht auf Hugging Face. https://huggingface.co/Comexp
Kurinov, Sergey: „TAPe+ML v2: How we make a single recognition model for any computer vision task“. Medium, 29. Juni 2026. https://medium.com/@sergeykurinov/tape-ml-v2-how-we-make-a-single-recognition-model-for-any-computer-vision-task-07644f754580
Hamidun News: „TAPe introduces a compact object detector as an alternative to YOLO for custom tasks“. 2. Mai 2026. https://news.hamidun.com/en/news/8966/tape-introduces-a-compact-object-detector-as-an-alternative