Nvidia hat eine unabhängige Untersuchung gegen CEO Jensen Huang eingeleitet, nachdem US-Geheimdienste behauptet hatten, eine Frau, mit der er eine Affäre hatte, sei eine chinesische Spionin.
Warum es wichtig ist: Unsicherheit an der Spitze von Nvidia, dem wichtigsten Lieferanten von KI-Chips, könnte bei Unternehmen, die auf seine Hardware angewiesen sind, das Vertrauen in Lieferfähigkeit und Roadmap beeinträchtigen.
OpenAI beschreibt einen Kandidaten für eine nichtperturbative Gitterdefinition des Standardmodells und gibt an, das Modell GPT-6 Astra habe geholfen, daraus einen ausführlichen Beweis zu entwickeln.
Warum es wichtig ist: Der Fall ist ein vom Unternehmen selbst berichtetes Beispiel dafür, dass ein Frontier-Modell zu eigenständiger formaler Forschung beiträgt. Für Teams, die den Einsatz von KI in wissenschaftlicher oder technischer Analyse prüfen, kann das relevant sein. Bis externe Fachleute die Arbeit begutachten, beruht die Aussage allein auf OpenAIs eigener Darstellung.
Fable 5.2 hat im Remote Labor Index 41,3 % realer Freelance-Projekte auf professionellem Niveau abgeschlossen. Ein Jahr zuvor lag der Bestwert noch bei 2,5 %.
Warum es wichtig ist: Klar definierte digitale Dienstleistungen, die sich leicht vergleichen und austauschen lassen, könnten als Erste unter Preisdruck geraten, da Agenten inzwischen einen beachtlichen Teil solcher Aufträge erledigen können.
Mit Gemini 4 Carbon führt Google Teams von Agenten ein, die gemeinsam an Aufgaben arbeiten, während große Modell-Releases immer schneller aufeinander folgen.
Warum es wichtig ist: Wenn Funktionen für Agenten-Teams direkt in ein Flaggschiffmodell eingebaut sind, könnte das verändern, wie Unternehmen lange, mehrstufige Arbeit zwischen Software-Agenten und Menschen aufteilen.
US-Datenhändler verkaufen chinesischen KI-Labs Berichten zufolge Reinforcement-Learning-Trainingsumgebungen im Wert von rund einer halben Milliarde Dollar.
Warum es wichtig ist: Unternehmen, die Trainingsumgebungen verkaufen oder lizenzieren, müssen damit rechnen, dass genauer geprüft wird, wo dieses Material landet.
Google liefert innerhalb eines Jahres vier TPU-Varianten aus und tritt im KI-Computing stärker gegen Nvidia an.
Warum es wichtig ist: Mehr TPU-Optionen geben Käufern eine weitere Alternative zu Nvidia-Hardware, was sich auf Preise und Kapazitätsplanung auswirken kann.
Laut Stanford HAI haben die weltweiten KI-Investitionen von Unternehmen 2026 die Marke von 1 Billion Dollar überschritten, und der Beschäftigungsrückgang in KI-exponierten Berufen hat sich in diesem Jahr fortgesetzt.
Warum es wichtig ist: Unternehmen, die KI-Infrastruktur planen, könnten auf wachsenden lokalen Widerstand gegen Rechenzentren stoßen, und Auswirkungen auf die Belegschaft zeigen sich selbst in Funktionen, in denen KI unterstützt statt ersetzt.
Google DeepMind und Google Quantum AI bauen im Theorembeweiser Lean eine Bibliothek von Quantenprogrammen auf, in der Teams von Gemini-4-Agenten Programme schreiben und beweisen.
Warum es wichtig ist: Formale Beweisprüfung kann Simulation als Belohnungssignal ersetzen, sodass Agenten nach Algorithmen suchen können, die heutige Computer nicht direkt testen können.
Forschende von SII und GAIR setzen rekursive Selbstverbesserung bei einem vollständigen Frontier-Pre-Training-Lauf von Grund auf ein und legen die Details offen.
Warum es wichtig ist: Wenn Agenten das Pre-Training verbessern, könnte das Basismodell besser werden, auf dem jede spätere Phase aufbaut, und die offene Veröffentlichung erlaubt es anderen, den Ansatz zu überprüfen.
Anthropic gibt 3,4 Milliarden Dollar für Erdgasturbinen von Caterpillar mit einer Leistung von 1,7 Gigawatt aus.
Warum es wichtig ist: Dass Anthropic eigene Kapazitäten zur Stromerzeugung erwirbt, deutet darauf hin, dass die Rechenkapazität für Frontier-KI zunehmend durch die Energieversorgung begrenzt wird.
In einem Test mit echten Arbeitsaufträgen mussten Menschen bei fast drei von vier Aufgaben nachbessern, was KI-Coding-Agenten abgeliefert hatten. Das zeigt: Code zu erzeugen ist nicht dasselbe, wie fertige Arbeit zu liefern.
Warum es wichtig ist: Teams, die Coding-Agenten allein am erzeugten Code messen, überschätzen womöglich den Produktivitätsgewinn, denn Review und Nacharbeit kosten weiterhin menschliche Zeit.
Gemini Robotics 2.5 wird an einer Fertigungslinie von Mercedes-Benz erprobt. In einem Pilotprojekt sortierte das Modell Metallteile mit einer Erfolgsquote von 96 %.
Warum es wichtig ist: Für Hersteller zeigt sich, dass KI-Modelle für Roboter den Schritt von Demos zu Pilotprojekten an echten Produktionslinien machen.
Forschende der University of Washington und des Allen Institute for AI stellen s3 vor, eine Reinforcement-Learning-Methode, mit der Agenten ohne vorgegebene Rollen lernen, sich abzustimmen.
Warum es wichtig ist: Das Ergebnis deutet darauf hin, dass sich die Koordination zwischen Agenten aus einem gemeinsamen Ziel lernen lässt, statt in einem Harness von Hand entworfen zu werden. Die bisherigen Tests verwenden allerdings sehr kleine Modelle.
Die City University of Hong Kong und das Tencent Jarvis Lab schlagen ein selbstorganisiertes Gedächtnis vor, bei dem Agenten selbst entscheiden, wie sie ihre Notizen zusammenfassen und verknüpfen.
Warum es wichtig ist: Teams, die Agenten mit Gedächtnis entwickeln, könnten auf feste Schemata verzichten. Zudem funktionierte ein von einem Modell geschriebenes Gedächtnis laut den Angaben auch, wenn ein anderes Modell es las.
Microsoft Research Asia stellt LongCapHarness vor: Statt ein eingefrorenes Modell per Post-Training weiterzutrainieren, baut das Verfahren einen Harness um das Modell herum.
Warum es wichtig ist: Bevor Teams ein kleines Modell per Post-Training für lange Kontexte fit machen, könnten sie zunächst versuchen, den Harness um das Modell zu verbessern. Das ist laut den Autoren günstiger, setzt aber weiterhin einen starken Harnessing-Agenten voraus.
Die UC Berkeley und die University of Illinois Urbana-Champaign analysieren die Kosten von KI-Agenten und entwickeln Agency, eine Schicht, die Kosten senkt, ohne das Modell zu verändern.
Warum es wichtig ist: Unternehmen, die KI-Agenten betreiben, könnten feststellen, dass ein Großteil ihrer Rechnung aus wiederholtem Kontext-Lesen und zusätzlichen Tool-Aufrufen stammt. Das lässt sich optimieren, ohne das Modell zu wechseln.
Forschende des KAIST beschreiben eine durch Gedächtnis verursachte Leistungsverschlechterung und stellen WikiTrace vor, ein Gedächtnissystem, das jede Lektion mit dem Lauf verknüpft, aus dem sie stammt.
Warum es wichtig ist: Ein Agentengedächtnis kann dazu führen, dass Agenten bei Aufgaben schlechter abschneiden, die sie bereits lösen. Belege neben jeder gespeicherten Lektion aufzubewahren, könnte daher für Agenten im Produktiveinsatz wichtig sein, die aus Erfahrung lernen.
Forschende bei Google stellen ReproBridge vor: Das Verfahren verpackt eine erfolgreiche Reproduktion eines ML-Experiments so, dass der nächste Agent sie wiederverwenden kann.
Warum es wichtig ist: Wiederverwendbare Reproduktionsartefakte könnten von Agenten durchgeführte ML-Experimente günstiger und über verschiedene Modelle hinweg konsistenter machen. Die Ergebnisse stammen allerdings aus einem Forschungs-Benchmark.
Forschende von Meta stellen AutoRefine vor: eine Methode, die LLM-Code-Judges kalibriert hält, während sich der Coding-Agent weiterentwickelt, den sie bewerten.
Warum es wichtig ist: Teams, die LLM-Judges zur Bewertung von Agenten-Output einsetzen, könnten feststellen, dass diese abdriften, wenn sich die Agenten verändern. Workflow-Ergebnisse könnten als Kalibrierungssignal dienen.
Robbyant stellt LingBot-Touch vor: ein taktiles Foundation Model, das piezoresistive, magnetische und visuotaktile Sensoren auf eine gemeinsame virtuelle Fingerkuppe abbildet.
Warum es wichtig ist: Robotik-Teams könnten, gestützt auf die von den Autoren berichteten Ergebnisse, ein einziges taktiles Modell für unterschiedliche Sensorhardware nutzen, statt für jeden Sensor einen eigenen Adapter zu trainieren.
Die Alpha-Version 0.4a0 von datasette-apps erlaubt es Apps in der Sandbox, über URL-Fragmente untereinander zu verlinken, und meldet unterstützte URL-Schemata an Datasette Agent.
Warum es wichtig ist: Teams, die interne Datenwerkzeuge mit KI-Agenten bauen, können ihre Agenten Apps erzeugen lassen, die untereinander verlinken, statt nur isolierte Einzelseiten.
Die Alpha-Version 0.6a0 von Datasette Agent ergänzt die Datasette-Startseite um ein Eingabefeld für Prompts und unterstützt Hash-Erwähnungen von Tabellen und Abfragen.
Warum es wichtig ist: Teams, die Datasette für die interne Datenexploration nutzen, erhalten einen direkteren Weg, einen KI-Agenten auf ihre Daten anzusetzen. Da es sich um eine Alpha-Version handelt, kann sich das Verhalten bis zu einem stabilen Release noch ändern.