AI News

Forschung: Nachrichten

88 Meldungen zum Thema Forschung.

BerichtetForschung ·

Axiom Math: KI-Schwarm hat den 15.000-seitigen CFSG-Beweis automatisch verifiziert

Nach Angaben von Axiom Math hat dessen KI-System die Klassifikation der endlichen einfachen Gruppen, einen Beweis von mehr als 15.000 Seiten, automatisch formalisiert und die Prüfung am 25. Oktober abgeschlossen.

Warum es wichtig ist: Die maschinelle Verifikation sehr großer Beweise wandert von der Theorie in die Praxis, was Ergebnisse in Gebieten wie der Gruppentheorie verlässlicher machen könnte. Teams, die auf formale Methoden angewiesen sind, sollten damit rechnen, dass solche verifizierten Bibliotheken zum Bezugspunkt werden.

1 Quelle
BerichtetForschung ·

Axiom Math formalisiert das Stacks Project zur algebraischen Geometrie automatisch mit KI-Agenten

Axiom Math gibt an, das Open-Source-Projekt Stacks mit rund 16 Millionen Codezeilen automatisch formalisiert zu haben, neun Tage nach der Ankündigung zur CFSG.

Warum es wichtig ist: Eine große, wiederverwendbare formale Bibliothek der modernen algebraischen Geometrie könnte zur Grundlage für künftige maschinell geprüfte Mathematik und entsprechende Werkzeuge werden. Organisationen, die KI für technisches Schlussfolgern entwickeln, sollten beobachten, wie Agentensysteme eingesetzt werden, um große formale Projekte konsistent zu halten.

1 Quelle
BerichtetForschung ·

Epoch verifiziert sieben FrontierMath-Erdős-Lösungen in Lean, bisher waren es drei

Epoch AI hat bei 68 Erdős-Problemen sieben Lösungen in Lean verifiziert. Der bisherige Bestwert lag bei drei.

Warum es wichtig ist: In Lean verifizierte Ergebnisse liefern einen überprüfbaren Maßstab für das mathematische Denkvermögen von KI. Das hilft Käufern, Behauptungen über Fähigkeiten auf Forschungsniveau einzuordnen.

1 Quelle
BerichtetForschung ·

Zyphra meldet 9- bis 60-fache Beschleunigung bei 10M Token mit subquadratischer Attention

Zyphra hat nach eigenen Angaben mehrere Modelle auf seine subquadratische Attention umgestellt und meldet bei 10M Token eine 9- bis 60-fache Beschleunigung. Qwen habe dabei bei 1M Token weniger als zwei RULER-Punkte verloren.

Warum es wichtig ist: Sollten sich die Zahlen auch außerhalb der eigenen Tests des Teams bestätigen, könnten Workloads mit langem Kontext im Betrieb deutlich günstiger werden.

1 Quelle
BerichtetForschung ·

OpenAI-Studie: Coding-Agenten beschleunigen KI-Forschung ungleichmäßig

Laut OpenAI beschleunigen Coding-Agenten die KI-Forschung, allerdings ungleichmäßig. Das Unternehmen bringt die Ergebnisse mit rekursiver Selbstverbesserung in Verbindung.

Warum es wichtig ist: Unternehmen, die Coding-Agenten für interne Forschung oder Entwicklung einsetzen wollen, sollten nicht davon ausgehen, dass die Zugewinne bei allen Aufgaben gleich hoch ausfallen. Die Darstellung von OpenAI spielt zudem eine Rolle bei der Frage, wie viel Gewicht man Aussagen beimessen sollte, wonach KI-Systeme KI verbessern.

1 Quelle
BerichtetForschung ·

Physiker Suvrat Raju: GPT-6 Astra löste fast 90 Prozent seines Physik-Benchmarks

Laut Raju beantwortete GPT-6 Astra knapp 90 Prozent der unveröffentlichten Aufgaben aus der theoretischen Physik in TheoPhysEval. Den Benchmark hält er nun für ausgereizt.

Warum es wichtig ist: Von Fachleuten erstellte Forschungs-Benchmarks können schon wenige Monate nach ihrer Veröffentlichung ausgereizt sein. Wer sich bei der Beurteilung forschungstauglicher KI auf öffentliche Tests verlässt, misst womöglich weniger, als er annimmt.

1 Quelle
BerichtetForschung ·

OpenAI-Modell: 1.147 Seiten langer Beweis zur reinen Yang-Mills-Theorie in Lean geprüft, laut Gremium korrekt

OpenAI zufolge hat eines seiner Modelle bewiesen, dass die vierdimensionale Gluonen-Mathematik hinter der reinen Yang-Mills-Theorie in sich stimmig ist. Ein Gremium hat die Lean-Fassung des Beweises für korrekt befunden.

Warum es wichtig ist: Ein maschinell in Lean geprüfter Beweis eines seit Langem angenommenen Resultats zeigt, dass sich von KI erzeugte Mathematik formal verifizieren lässt. Organisationen brauchen genau diese Art der Prüfung, bevor sie KI-Ergebnissen in der technischen Arbeit vertrauen.

1 Quelle
BerichtetForschung · · Aktualisiert

Google: Gemini 4 Carbon trieb Agenten an, die den Kryptografie-Code von Signal verifizierten

Laut DeepMind trieb Gemini 4 Carbon Agenten an, die den kryptografischen Code von Signal verifizierten. Das Ergebnis präsentiert das Unternehmen zusammen mit Erkenntnissen aus dem Nasslabor und zu Proteinen.

Warum es wichtig ist: Modelle werden für formale Verifikation und wissenschaftliche Überprüfung eingesetzt. Das deutet darauf hin, dass Verifikation für Teams ein praktischer Anwendungsfall jenseits der Codegenerierung sein könnte.

2 Quellen
OffiziellForschung ·

Anthropic: Claude Fable 5.2 löst zwei offene Probleme der Physik Schwarzer Löcher

Laut Anthropic hat Claude Fable 5.2 zwei offene Probleme der theoretischen Physik zu Schwarzen Löchern und Quantengravitation gelöst, darunter eine seit 2003 unvollendete Rechnung.

Warum es wichtig ist: Die Behauptung lautet, dass lang laufende, weitgehend autonome Agenten in einem schwierigen Fachgebiet geprüfte Forschungsergebnisse hervorgebracht haben. Für Teams, die agentengestützte Forschung und Entwicklung planen, kann das ein nützliches Signal sein. Die Ergebnisse beruhen auf Angaben des Unternehmens, und es räumt selbst ein, dass sie die zugrunde liegende Frage nicht abschließend klären.

1 Quelle
OffiziellForschung ·

Stanford HAI vergibt Hoffman-Yee-Grants 2026 über 3,5 Millionen Dollar an sieben Teams

Stanford HAI fördert sieben interdisziplinäre Teams mit je 500.000 Dollar. Sie entwickeln menschenzentrierte KI für Medizin, Wissenschaft, Recht und Bildung.

Warum es wichtig ist: Unternehmen, die KI für regulierte Bereiche wie Gesundheitswesen, Recht und berufliche Weiterbildung entwickeln, könnten aus diesen Projekten neue offene Werkzeuge und Evaluierungsmethoden hervorgehen sehen. Die Arbeit im Klassenzimmer geht zudem der Frage nach, ob KI-gestützte Ergebnisse auch ohne KI Bestand haben.

1 Quelle
BerichtetForschung ·

Carnegie-Mellon-Preprint: Jev ist schnell, aber schwach bei Mathe- und Logikurteilen

Laut einem Preprint, an dem Ramayya Krishnan von der Carnegie Mellon University mitgewirkt hat, liegt die Median-Latenz von Jev bei 150 ms. Bei Urteilen zu Mathematik und Logik sinkt jedoch die Genauigkeit.

Warum es wichtig ist: Die Ergebnisse deuten darauf hin, dass Entscheidungsmodelle Latenz und Kosten bei klar definierten Urteilen senken können. Bevor sie mathematik- oder logiklastige Entscheidungen übernehmen, braucht es jedoch Kontrollen. Ein hybrides Design, das unsichere Fälle an ein LLM eskaliert, ist eine getestete Option.

1 Quelle
BerichtetForschung ·

Studie vergleicht Entscheidungsmodelle mit LLMs und stellt das Open-Weight-Modell SII-Decision vor

Forschende, darunter Zhongyu Wei von der Fudan University, testen Entscheidungsmodelle und stellen fest: In Medizin, Finanzen und Recht liegen sie hinter LLMs.

Warum es wichtig ist: Entscheidungsmodelle scheinen sich vor allem für Dokumentaufgaben und das Routing von Tools zu eignen, weniger für Expertenarbeit in regulierten Bereichen. Wer solche Modelle einkauft, sollte sie gezielt nach Aufgabentyp auswählen.

1 Quelle
OffiziellForschung ·

FrontierML prüft, ob KI-Agenten mehr Rechenleistung in bessere Modelle umsetzen können

FrontierML gibt Agenten 10, 50 oder 200 Dollar für 21 ML-Aufgaben, und laut den Autoren verbessern sich stärkere Agenten mit mehr Geld verlässlich.

Warum es wichtig ist: Benchmarks wie dieser zeigen, ob Agenten Budget nutzen können, um ihr eigenes Training zu verbessern. Das betrifft die Frage, wie viel autonome KI-Forschung und -Entwicklung Unternehmen delegieren könnten. Der Abstand zwischen dem besten geschlossenen und dem besten Open-Weight-Modell ist zudem für Käufer nützlich, die offene Modelle in Betracht ziehen.

1 Quelle
OffiziellForschung ·

Zhejiang University veröffentlicht LEMMO, ein Foundation Model für elektromagnetische Signale

LEMMO klassifiziert rohe elektromagnetische Signale, darunter Störsignal- und Radartypen, und schlägt laut den Autoren das frühere Modell MERLIN bei den meisten Wahrnehmungsaufgaben.

Warum es wichtig ist: Allgemeines Pretraining wird auf die Signalanalyse übertragen. Damit wächst die Zahl der Bereiche, in denen Foundation Models für Sensorik und elektronische Kampfführung eingesetzt werden können. Unternehmen aus Verteidigung und Telekommunikation sollten mit weiteren solchen Modellen rechnen.

1 Quelle
OffiziellForschung ·

Wang et al. stellen CGMap vor, ein Graph-Learning-Werkzeug zur Suche nach Krebsgenen

Wang et al. beschreiben CGMap, ein interpretierbares Graph-Learning-Framework, das verstreute onkogene Signale in strukturierte Prioritäten für Krebsgene übersetzt.

Warum es wichtig ist: Teams, die KI für die Suche nach Wirkstoff-Targets einsetzen, könnten interpretierbare Graph-Methoden nützlich finden, um Kandidatengene vor einer teuren Laborvalidierung in eine Rangfolge zu bringen. Es handelt sich um ein Forschungsergebnis; der praktische Nutzen muss sich in unabhängigen Tests erst erweisen.

1 Quelle
BerichtetForschung ·

OpenAI: GPT-6 Astra half, eine Gitter-Idee zum Standardmodell zu einem ausführlichen Beweis auszuarbeiten

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.

2 Quellen
OffiziellForschung ·

s3 von UW und Allen AI: Multi-Agenten-Teams lernen ihre eigene Organisation

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.

1 Quelle
OffiziellForschung ·

SoMem: Agenten organisieren ihr Gedächtnis selbst als verlinkte Dokumente

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.

1 Quelle
OffiziellForschung ·

Agenten von Google DeepMind schreiben in Lean verifizierte Quantenprogramme, die bisherige Baselines übertreffen

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.

1 Quelle
OffiziellForschung ·

LongCapHarness verbessert Long-Context-Reasoning eingefrorener Modelle ohne Training

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.

1 Quelle
OffiziellForschung ·

Studie aus Berkeley und Illinois: Agentenkosten entstehen durch Kontext-Lesen und Tool-Aufrufe

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.

1 Quelle
OffiziellForschung ·

WikiTrace von KAIST: Agenten prüfen gespeicherte Lektionen an ihren Ursprungsläufen

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.

1 Quelle
OffiziellForschung ·

SII und GAIR wenden agentengesteuerte Selbstverbesserung auf einen kompletten Pre-Training-Lauf an

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.

1 Quelle
OffiziellForschung ·

Googles ReproBridge steigert den Erfolg von Agenten beim Reproduzieren von ML-Experimenten von 76,4 auf 92,6 Prozent

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.

1 Quelle
OffiziellForschung ·

Metas AutoRefine kalibriert LLM-Code-Judges nach, wenn sich Coding-Agenten verändern

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.

1 Quelle
OffiziellForschung ·

Robbyants LingBot-Touch bringt verschiedene Tastsensoren auf einen Nenner

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.

1 Quelle
BerichtetForschung ·

48 KI-Agenten von Google markieren in NASA-LiDAR-Daten eine mögliche, bisher nicht kartierte Maya-Stätte in Mexiko

Achtundvierzig KI-Agenten von Google haben LiDAR-Daten der NASA durchsucht und eine mögliche, bisher nicht kartierte Maya-Stätte in Mexiko markiert. Der Fund wird nun untersucht.

Warum es wichtig ist: Auf große öffentliche Datensätze angewandt, können Schwärme von KI-Agenten Erkenntnisse zutage fördern, die bei manueller Prüfung womöglich übersehen würden.

1 Quelle
BerichtetForschung · · Aktualisiert

DeepMinds AlphaGenome 2 richtet Variantenvorhersagen an Zelltyp und Zellzustand aus

Das Genomik-Modell von DeepMind passt Vorhersagen zu Varianteneffekten nun an Zelltyp und Zellzustand an und steht für nichtkommerzielle Forschung über eine API zur Verfügung.

Warum es wichtig ist: Genomik-Teams erhalten ein Modell, das seine Vorhersagen auf bestimmte zelluläre Kontexte abstimmt. Eine kommerzielle Nutzung wird derzeit jedoch nicht angeboten.

3 Quellen
OffiziellForschung ·

Stanford fördert in zweiter Runde fünf Projekte zu KI und Neurowissenschaften

Das Wu Tsai Neurosciences Institute und das Institute for Human-Centered AI der Stanford University finanzieren fünf Projekte, die Hirnforschung und KI verbinden.

Warum es wichtig ist: Es handelt sich um akademische Forschung in einem frühen Stadium, ohne Änderungen an Produkten. Für Käufer ist vor allem eine Idee relevant: Das Säuglingsprojekt will erreichen, dass KI-Systeme effizienter aus weniger Daten lernen.

1 Quelle
OffiziellForschung ·

Google DeepMind öffnet Niederschlags- und Satellitendaten seiner KI-Wettermodelle

Google DeepMind gibt nach eigenen Angaben die grundlegenden Niederschlags- und geostationären Satellitendatensätze frei, auf denen seine KI-Wettermodelle aufbauen.

Warum es wichtig ist: Teams, die Vorhersage- oder klimabezogene Modelle entwickeln, könnten diese Datensätze als Trainings- oder Evaluierungsdaten nutzen. Die Ankündigung erklärt nicht, wie der Zugang funktioniert, daher ist der praktische Nutzen noch unklar.

1 Quelle
BerichtetForschung ·

OpenAI und Upwork: KI verändert Nachfrage und Budgets bei Freelancern

Eine neue Studie von OpenAI und Upwork zeigt: Die Nachfrage nach Freelance-Arbeit verschiebt sich, gefragte Kombinationen von Fähigkeiten ändern sich, und KI-bezogene Projekte haben größere Budgets und umfassen mehr Stunden.

Warum es wichtig ist: Unternehmen, die auf Freelancer setzen, könnten feststellen, dass sich die Nachfrage hin zu anderen Fähigkeiten und zu größeren KI-bezogenen Projekten verlagert. Das beeinflusst, wie sie solche Aufträge zuschneiden und budgetieren.

1 Quelle
BerichtetForschung ·

Opus 5.5 formalisiert CPython-Interna in 613.318 Zeilen Lean

Ein Forscher berichtet, dass Opus 5.5 613.318 Zeilen Lean-Code erzeugt hat, die die Interna von CPython abbilden, und dabei echte Fehler im Interpreter gefunden hat.

Warum es wichtig ist: Von KI geschriebene formale Modelle weit verbreiteter Software können echte Fehler aufdecken und könnten sich so zu einem praktischen Qualitätswerkzeug für die Maintainer von Programmiersprachen und Infrastruktur entwickeln.

1 Quelle
BerichtetForschung ·

Studie: Claude-Agenten behalten 57 Vertragsfakten, wenn jeder Vertrag eine eigene Gedächtnisseite hat

In einer Studie zum Agentengedächtnis überschrieben Claude-Agenten bei der Arbeit an Verträgen gegenseitig ihre Notizen. Bekam jeder Vertrag eine eigene Seite, blieben alle 57 geprüften Fakten erhalten statt zuvor 41.

Warum es wichtig ist: Wer mehrere Agenten auf gemeinsamen Datensätzen arbeiten lässt, braucht ein nach Fällen getrenntes Gedächtnis. Sonst können die Agenten unbemerkt gegenseitig ihre Arbeit löschen.

1 Quelle
BerichtetForschung · · Aktualisiert

MKA-Benchmark von Google DeepMind: Claude Fable 5.2 führt mit 57% Climb WSR

Artificial Analysis und Google DeepMind haben MKA vorgestellt, einen Benchmark mit 200 visuellen Aufgaben aus der Wissensarbeit. An der Spitze liegt Claude Fable 5.2 (max) mit einer Climb WSR von 57%.

Warum es wichtig ist: Unter den Modellen, die rund 10 Punkte oder weniger hinter dem Spitzenwert liegen, schwanken die Kosten pro Aufgabe um fast das 30-Fache. Für dokumentenlastige Wissensarbeit entscheidet die Genauigkeit allein daher nicht über die Modellwahl. Teams, die Agenten für visuelle Dokumente entwickeln, sollten die Kosten pro Aufgabe gegen die Leistung abwägen.

2 Quellen
OffiziellForschung ·

Meta Reality Labs stellt Tactus vor, einen Textilhandschuh zur Erfassung von Handmanipulationsdaten

Meta Reality Labs Research beschreibt Tactus, einen Textilhandschuh mit Tast- und Posensensorik, der detaillierte Daten darüber aufzeichnet, wie Hände mit Objekten hantieren.

Warum es wichtig ist: Bessere Manipulationsdaten können beim Training von Robotern und feinmotorisch geschickten KI-Systemen helfen. Teams, die im Bereich Robotik entwickeln, sollten diesen Ansatz zur Datenerfassung daher im Blick behalten.

1 Quelle
OffiziellForschung ·

Core Automation trainiert ein MoE-Modell auf zwei Clustern, die 9.000 Meilen voneinander entfernt sind

Core Automation hat nach eigenen Angaben ein Mixture-of-Experts-Modell mit insgesamt rund 32 Milliarden Parametern auf zwei Clustern trainiert, die etwa 9.000 Meilen auseinanderliegen und mit unterschiedlichen Beschleunigern arbeiten.

Warum es wichtig ist: Wenn verteiltes Training auf gemischter Hardware ausreift, könnten auch kleinere Gruppen große Modelle bauen, ohne ein einzelnes Hyperscale-Rechenzentrum zu benötigen. Das Unternehmen argumentiert, dass Strom, Netzinfrastruktur und Grundstücke und nicht Chips die wichtigsten Engpässe sind.

1 Quelle
OffiziellForschung · · Aktualisiert

Anthropic: 1.000 Agenten mit Claude Fable 5.2 reproduzieren formalen Beweis des Großen Fermatschen Satzes

Laut Anthropic hat ein Team aus 1.000 Agenten auf einer frühen Version von Claude Fable 5.2 einen formalen Beweis des Großen Fermatschen Satzes reproduziert.

Warum es wichtig ist: Der Lauf zeigt, wie große Agenten-Teams auf einen formalen mathematischen Beweis angesetzt werden, und legt nahe, dass koordinierte Agentenflotten lange, überprüfbare technische Arbeit bewältigen könnten. Unternehmen, die solche Setups erwägen, sollten beachten, dass Anthropic die gemeinsame Datenbank und die mehrschichtigen Sicherheitskontrollen als zentral für den Ansatz darstellt.

3 Quellen
OffiziellForschung ·

Richter et al.: Ausrichten von Zelldaten integriert sie nicht vollständig

Ein Paper von Richter et al. in Nature Machine Intelligence berichtet, dass das Ausrichten unterschiedlicher biologischer Datentypen sie in Zell-Foundation-Models nicht vollständig integriert.

Warum es wichtig ist: Teams, die multimodale Biologiemodelle entwickeln, müssen womöglich prüfen, ob jede zusätzliche Datenquelle tatsächlich neue Information beisteuert, statt vorhandenes Signal nur zu verdoppeln.

1 Quelle
OffiziellForschung ·

Artificial Analysis Endpoint Accuracy Index v1.1: 24 von 103 Endpoints hinter der Referenz

Laut Artificial Analysis schneiden im aktualisierten Endpoint Accuracy Index v1.1 24 von 103 Serverless-Endpoints statistisch schlechter ab als die selbst gehostete Referenz.

Warum es wichtig ist: Zwei Endpoints, die dasselbe Open-Weights-Modell bereitstellen, können sich in der Genauigkeit spürbar unterscheiden. Preis und Geschwindigkeit allein sind daher keine solide Grundlage für die Wahl eines Anbieters. Laut Unternehmen sind Einstellungen für Tool Calling und Ausgabelänge die häufigsten Ursachen für Verluste.

1 Quelle
OffiziellForschung · · Aktualisiert

NVIDIA-Forscher: Häufige Kontextkomprimierung kann mit Agentenläufen mit vollem Verlauf mithalten

Laut NVIDIA-Forschern erreichen KI-Agenten mit komprimiertem Kontext bei langen Aufgaben oft dieselben Ergebnisse wie mit vollem Verlauf, während der mediane Spitzenkontext von 32K auf 8K Token sinkt.

Warum es wichtig ist: Laut dem Paper können spätere Token bei führenden Open-Weight-Modellen bis zu 7-mal teurer zu generieren sein. Aggressive Komprimierung könnte daher die Kosten für Teams senken, die lange Sitzungen mit KI-Agenten betreiben.

2 Quellen
OffiziellForschung ·

Skill++ schreibt Metadaten neuer Skills um, damit Agenten-Router ältere Skills nicht mehr verdrängen

Forschende der UIC, der McGill University und weiterer Einrichtungen stellen Skill++ vor: Das Verfahren schreibt die Metadaten eines neuen Skills um, damit Agenten-Router weiterhin die richtigen bestehenden Skills wählen.

Warum es wichtig ist: Bei Unternehmen mit wachsenden Skill-Bibliotheken können Routing-Fehler zunehmen, je größer die Bibliothek wird. Schlecht formulierte Skill-Beschreibungen können die Interferenz zusätzlich verstärken.

1 Quelle
OffiziellForschung ·

Recursa von Alibaba Research passt Agenten ohne Änderung der Modellgewichte an neue Domänen an

Alibaba Research stellt Recursa vor: Das System baut aus Aufgabenerfahrung ein validiertes Skill-Repository auf, damit sich ein Modell mit unveränderten Gewichten an eine neue Domäne anpassen kann.

Warum es wichtig ist: Teams, die Agenten an spezialisierte Domänen anpassen, können womöglich zuerst ein validiertes Skill-Repository ausprobieren, bevor sie in Fine-Tuning investieren.

1 Quelle
OffiziellForschung ·

Meta FAIR schlägt Routed Continual Learning vor: Agenten-Gedächtnis in Clustern

FAIR bei Meta stellt Routed Continual Learning vor. Der Ansatz gruppiert frühere Agenten-Durchläufe in Cluster mit jeweils eigenem Gedächtnissystem und senkt die geschätzten API-Kosten um 65 bis 72 %.

Warum es wichtig ist: Ein einziges gemeinsames Gedächtnis für viele Agenten-Aufgaben bringt womöglich wenig, treibt aber die Kosten. Teams mit unterschiedlichen Agenten-Workloads könnten davon profitieren, das Gedächtnis nach Aufgabentyp zu routen.

1 Quelle
OffiziellForschung ·

IBMs JevAct prüft Tool-Aufrufe von Agenten zur Laufzeit, ohne Neutraining

IBM-Forscher stellen JevAct vor: eine Laufzeitkontrolle zwischen Agent und Tools, die Schreibaufrufe und Übergaben prüft, während Modell und Tools unverändert bleiben.

Warum es wichtig ist: Teams, die Agenten mit Tool-Zugriff einsetzen, können ungültige Aktionen und vorzeitig beendete Aufgaben über eine Harness-Schicht abfangen, ohne das Modell neu zu trainieren.

1 Quelle
OffiziellForschung ·

Alibaba und SCUT stellen SPAR vor, einen Vertriebsagenten, der Strategien als Hypothesen testet

Die Alibaba Group und die South China University of Technology stellen SPAR vor: einen sich selbst weiterentwickelnden Vertriebsagenten, der sein Playbook verfeinert, ohne die Modellgewichte anzupassen.

Warum es wichtig ist: Agenten, die aus Ergebnissen im Produktivbetrieb lernen, können die falsche Lehre ziehen, wenn sie den Grund für ein Ergebnis falsch deuten. Die Ursache zu klären, bevor etwas ins Gedächtnis geschrieben wird, ist auch über den Vertrieb hinaus wichtig.

1 Quelle
OffiziellForschung ·

Forschende veröffentlichen RSI-Dojo: Umgebungen, in denen Agenten Post-Training lernen

RSI-Dojo ist eine Sammlung ausführbarer Umgebungen, die aus publizierter Forschung entstanden sind. Qwen-Modelle, die auf ihren Trajektorien feinjustiert wurden, legen auf PostTrainBench um 8,74 bzw. 16,87 Punkte zu.

Warum es wichtig ist: Die Arbeit verlagert die Fähigkeit, Modelle zu trainieren, in die Gewichte eines mittelgroßen offenen Modells. Die Umwandlung von Forschung in Umgebungen liefert eine wiederholbare Quelle für Trainingsaufgaben.

1 Quelle
OffiziellForschung ·

OpenAIs Benchmark LifeVal prüft Assistenten an persönlichen Aufgaben aus echten Chats

OpenAI stellt LifeVal vor: 169 Agenten-Aufgaben auf Basis von 148 Alltagsaufgaben, die 3.837 US-Konsumenten in eine Rangfolge gebracht haben. Der häufigste Fehler ist eine falsche Antwort oder Empfehlung.

Warum es wichtig ist: Persönliche Assistenten sind darauf angewiesen, sich an frühere Unterhaltungen zu erinnern, und genau dort liegt die berichtete Gewinnrate niedriger als bei gespeicherten Erinnerungen. Das beeinflusst Entscheidungen über die Einführung von Produkten mit Gedächtnisfunktion.

1 Quelle
OffiziellForschung ·

Artificial Analysis startet Decision Index v2 mit kalibrierungsgewichteter Bewertung

Artificial Analysis hat Version 2 seines Decision Index veröffentlicht: 45 % der Bewertung beruhen nun auf privaten Datensätzen, und die zentrale Kennzahl belohnt gut kalibrierte Konfidenz.

Warum es wichtig ist: Teams, die Entscheidungsmodelle auswählen, sehen hier, dass Kosten pro Task und Kalibrierung die Rangliste verändern können und dass eine Abrechnung pro Frage ein Modell um ein Vielfaches teurer machen kann als ein anderes mit ähnlichen Listenpreisen.

1 Quelle
BerichtetForschung ·

Google-KI erkennt Anzeichen von Bluthochdruck über Smartwatch-Sensoren

Laut THE DECODER erkennt ein KI-System von Google Anzeichen von Bluthochdruck anhand von Smartwatch-Sensoren.

Warum es wichtig ist: KI-basierte Gesundheitssignale aus Wearables könnten verändern, wie Produktteams im Gesundheitsbereich Funktionen gestalten. Details zur klinischen Validierung werden hier allerdings nicht genannt.

1 Quelle
BerichtetForschung ·

Stanford-Gedächtnissystem ruft lange Verläufe mit 16 Memory-Token ab

Ein System aus Stanford komprimiert Gesprächs- und Dokumentverläufe in 16 Memory-Token und senkt den Verbrauch an Dokument-Token um bis zu den Faktor 4.212.

Warum es wichtig ist: Hält die Effizienz, was sie verspricht, könnten lang laufende Agenten ihren Kontext zu einem Bruchteil der Token-Kosten mitführen. Der eigentliche Prüfstein ist aber, ob sie sich auch an selten genutzte Details erinnern.

1 Quelle
OffiziellForschung · · Aktualisiert

Physical Superintelligence: Anthropic-Modell soll mathematische Vermutung bewiesen haben

Laut Physical Superintelligence hat ein nicht öffentliches Anthropic-Modell die Aaronson-Ambainis-Vermutung bewiesen, den Angaben zufolge wurde der Beweis in Lean geprüft.

Warum es wichtig ist: Sollte sich das bestätigen, wäre es ein Beleg dafür, dass ein Frontier-Modell formale Forschungsergebnisse liefern kann. Vorerst handelt es sich aber um eine unbestätigte Behauptung über ein unveröffentlichtes Modell.

2 Quellen
BerichtetForschung · · Aktualisiert

METR: KI beschleunigt Anthropics F&E, AECI wächst seit Oktober 2025 1,9x schneller

Der geschwärzte Risikobericht von METR schätzt, dass die AECI-Werte der Anthropic-Modelle seit Oktober 2025 1,9x schneller gestiegen sind, bei einem 95-%-Intervall von 1,5 bis 2,8x.

Warum es wichtig ist: Der Bericht liefert ein externes, quantitatives Signal dafür, dass ein führendes KI-Labor seine eigenen Modelle möglicherweise bereits nutzt, um die Forschung zu beschleunigen. Das betrifft die Frage, wie schnell sich Fähigkeiten weiterentwickeln könnten. Wer plant, sollte solche Schätzungen vorsichtig gewichten, denn die Autoren weisen selbst auf methodische Grenzen hin.

3 Quellen
BerichtetForschung ·

OpenAI stellt BioBasicsBench vor: Benchmark mit 100 Aufgaben für KI-Agenten im Nasslabor

BioBasicsBench ist ein Benchmark mit 100 Aufgaben, der prüft, wie gut KI-Agenten rohe Versuchsdaten interpretieren und Routinearbeiten im Nasslabor bewältigen.

Warum es wichtig ist: Unternehmen, die KI-Agenten für Laboranalysen einsetzen, haben nun einen eigenen Test für die Interpretation von Rohdaten. Diese Fähigkeit ist etwas anderes, als allgemeine naturwissenschaftliche Fragen zu beantworten.

1 Quelle
OffiziellForschung ·

Anthropic beschreibt „Dreaming“ zur Ordnung des Agenten-Gedächtnisses von Claude

Laut Anthropic kann eine Offline-Überprüfung der Gedächtnisnotizen von Agenten Fehler korrigieren, Wikis aufbauen und wichtige Notizen in künftige Sessions übernehmen. Das Unternehmen stützt sich dabei auf eigene Tests.

Warum es wichtig ist: Unternehmen, die langlebige Agenten betreiben, laufen Gefahr, dass eine falsche Gedächtnisnotiz in jeder späteren Session wiederverwendet wird. Die Ergebnisse von Anthropic deuten darauf hin, dass eine planmäßige Überprüfung anhand der Quellprotokolle solche Fehler aufspüren kann. Der Beitrag weist allerdings darauf hin, dass dafür Rechenleistung nötig ist und die Gedächtnisebene klein bleiben muss.

1 Quelle
OffiziellForschung ·

Artificial Analysis startet VIALS-AA: Gemini 4 Carbon (high) führt mit 64 %

Artificial Analysis hat mit VIALS-AA einen Benchmark für das Schlussfolgern über wissenschaftliche Bilder vorgestellt. An der Spitze liegt Gemini 4 Carbon (high), das 64 % der Aufgaben in allen drei Durchläufen richtig beantwortet.

Warum es wichtig ist: Ein Ergebnis aus einem einzigen Durchlauf kann bei bildbasierter wissenschaftlicher Arbeit große Unterschiede in Zuverlässigkeit und Kosten verdecken. Dort kann ein Ergebnis, das sich zwischen Läufen ändert, Teams zu falschen Schlüssen führen.

1 Quelle
BerichtetForschung ·

Cradle gewinnt offenen Wettbewerb zum Design eines krebsbindenden Proteins

Das Protein-Engineering-Unternehmen Cradle hat einen offenen Wettbewerb für das Design eines Proteins gewonnen, das fest an ein Krebs-Target bindet. Es setzte sich gegen 130 Teams und mehr als 1.000 Einreichungen durch.

Warum es wichtig ist: Das Ergebnis deutet darauf hin, dass iteratives, von Experimenten geleitetes KI-Design konkurrenzfähige Proteinkandidaten hervorbringen kann. Das ist relevant für Pharma- und Biotech-Teams, die Software für Protein Engineering in Betracht ziehen.

1 Quelle
BerichtetForschung ·

Hydrogen 1.0: Aus GLM 5.3 nachtrainiertes Modell für wissenschaftliche Entdeckungen

Hydrogen 1.0 ist ein per Post-Training aus GLM 5.3 entwickeltes Modell für wissenschaftliche Arbeit. Es erreicht 38,33 % im Benchmark Frontier Science, bei 25 Cent pro Aufgabe.

Warum es wichtig ist: Günstigere, auf Wissenschaft spezialisierte Modelle könnten computergestützte Forschungsabläufe auch für kleinere Labors und Unternehmen erschwinglich machen.

1 Quelle
OffiziellForschung · · Aktualisiert

Anthropic veröffentlicht FlashProve: Nachweis, welches KI-Modell eine Antwort erzeugt hat

Der Open-Source-Prototyp FlashProve von Anthropic erstellt kryptografische Beweise dafür, dass eine Antwort von einem bestimmten Modell stammt, ohne dessen Gewichte offenzulegen.

Warum es wichtig ist: Unternehmen, die für Modell-APIs bezahlen, könnten damit grundsätzlich prüfen, welches Modell ihre Anfragen tatsächlich beantwortet hat. Allerdings handelt es sich um einen Forschungsprototyp, für dessen Einsatz es noch keinen Termin gibt.

2 Quellen
BerichtetForschung ·

China verknüpft Daten, KI-Modelle und Roboterlabore für Forschung rund um die Uhr

China vernetzt wissenschaftliche Datensätze, KI-Modelle, Rechenleistung und Roboterlabore, die Experimente rund um die Uhr entwerfen und durchführen können.

Warum es wichtig ist: Unternehmen aus der Pharma- und Materialforschung könnten es mit chinesischen Mitbewerbern zu tun bekommen, die schneller experimentieren. Laut der Berichterstattung liegen chinesische Wissenschaftsmodelle zudem noch hinter den stärksten US-Systemen zurück.

1 Quelle
OffiziellForschung · · Aktualisiert

Anthropic: Claude half bei 3D-Struktur eines bakteriellen Vault-Partikels

Laut Anthropic half Claude, die erste 3D-Struktur eines bakteriellen Vault-Partikels in Tagen statt Wochen oder Monaten zu bestimmen. Das Unternehmen weist darauf hin, dass einfache Fehler korrigiert werden mussten.

Warum es wichtig ist: Teams in der Strukturbiologie sehen hier einen konkreten Fall, in dem ein KI-Modell die Dauer eines Forschungsvorhabens verkürzt hat. Zugleich zeigt er, dass die Ergebnisse weiterhin überprüft werden müssen.

2 Quellen
OffiziellForschung ·

Studie sieht fraktale Basin-Geometrie als Grenze der Vorhersagbarkeit von Deep Learning

Ly und Gong vertreten die These, dass fraktale Basin-Geometrie die Ergebnisse von Deep Learning schwer vorhersagbar und reproduzierbar macht, weil sich die Ergebnisse bis in beliebig feine Skalen ineinander verschränken.

Warum es wichtig ist: Trifft die vorgeschlagene Geometrie zu, können Teams Trainingsläufe nicht allein durch höhere numerische Präzision reproduzierbar machen. Die Streuung zwischen einzelnen Läufen muss daher von vornherein eingeplant werden.

1 Quelle
BerichtetForschung ·

KI-Agenten steuern Allen Telescope Array und erkennen erstmals Pulsar in Echtzeit

Agenten auf NVIDIA-Basis können das Allen Telescope Array steuern und KI-Modelle per Anfrage in natürlicher Sprache einsetzen. Dabei gelang die erste KI-Erkennung eines Pulsars in Echtzeit.

Warum es wichtig ist: Die Steuerung von Sensorsystemen mit hohem Durchsatz per natürlicher Sprache zeigt, dass Agenten echte wissenschaftliche Infrastruktur betreiben können, nicht nur Softwareaufgaben.

1 Quelle
BerichtetForschung ·

50 GPT-6.1-Sol-Agenten bauen in Minecraft eine Zivilisation mit Anführerin, Regeln und Rationierung

Y Combinator Labs und Olam Labs haben 50 Agenten in eine Minecraft-Welt gesetzt. Dort bestimmten sie eine Anführerin, schrieben Regeln und legten ein Register zur Rationierung von Lebensmitteln an.

Warum es wichtig ist: Multi-Agenten-Systeme können rasch Hierarchien und vorsichtiges Verhalten entwickeln. Das ist für Teams relevant, die Schwärme von Agenten entwerfen, auch wenn die Ergebnisse aus einer Spielumgebung stammen.

1 Quelle
BerichtetForschung ·

Paper: GPT-6 Astra liest und bearbeitet Gewichte neuronaler Netze ohne Tools

Laut einem Forschungspapier von Takehi, Teoh, Zhang und Khattab kann GPT-6 Astra aus den rohen Gewichten eines Modells ableiten, was es tut, und sie so bearbeiten, dass die Mathematik-Ergebnisse steigen.

Warum es wichtig ist: Wenn Modelle Gewichte lesen und korrigieren können, ohne Code auszuführen, könnten Teams neue Wege finden, Modelle zu prüfen und zu reparieren. Die Behauptung ist aber noch umstritten und beruht auf wenigen Experimenten.

1 Quelle
BerichtetForschung ·

MLE-World sagt Ausgaben von ML-Trainingsläufen voraus, bevor der Code läuft, und trifft 77,9 % der Logs

MLE-World, ein feinabgestimmtes Qwen3.5-4B-Modell, sagt voraus, was ein ML-Programm ausgeben würde, darunter Logs, Fehler und Validierungswerte, noch bevor der Code ausgeführt wird.

Warum es wichtig ist: Teams, die ML-Experimente von Agenten durchführen lassen, könnten weniger Rechenleistung für Kandidaten aufwenden, die laut vorhergesagtem Feedback scheitern, sofern die Genauigkeit auch bei ihren eigenen Aufgaben Bestand hat. Die berichteten Verbesserungen gelten nur für Aufgaben, die im Training vertreten waren.

1 Quelle
OffiziellForschung ·

SemiAnalysis startet GDPx-Benchmark: Bestes Modell erreicht 12 % bei agentischen Aufgaben

Der GDPx-Benchmark von SemiAnalysis umfasst 206 agentische Aufgaben aus 11 Bereichen. Das beste Modell kommt auf gerade einmal 12 %.

Warum es wichtig ist: Wer Frontier-Modelle für agentische Aufgaben vergleicht und einkaufen will, sieht bei realistischen wirtschaftlichen Aufgaben eine niedrige absolute Obergrenze, dazu einen Kostenunterschied, der womöglich mehr zählt als der Abstand bei den Ergebnissen.

1 Quelle
BerichtetForschung · · Aktualisiert

MIT CSAIL lässt GPT-6 Astra Qwen-Gewichte bearbeiten und steigert Mathe-Score

Das Team von MIT CSAIL berichtet in einem Paper, dass GPT-6 Astra zwei Schichten von Qwen3.5-0.8B bearbeitet und die Genauigkeit auf MATH-500 von 7,9 % auf 48,1 % gehoben hat.

Warum es wichtig ist: Automatisierte Modellbearbeitung könnte zu einem praktikablen Weg werden, bestimmte Fehlermuster zu diagnostizieren und gezielt zu beheben. Die Zugewinne hier gehen allerdings vor allem auf weniger unvollendete Antworten zurück.

4 Quellen
BerichtetForschung ·

Cisco-Studie: Ungeprüfte Debatten von KI-Agenten enden oft bei der falschen Antwort

In 880 Debatten mit jeweils fünf Agenten stellte Cisco fest: Wenn die Agenten ihre Schlussfolgerungen nicht überprüften, unterstützten am Ende in drei Vierteln der Fälle alle fünf die falsche Antwort.

Warum es wichtig ist: Multi-Agenten-Systeme, die gemeinsam Entscheidungen treffen, brauchen möglicherweise fest eingebaute Prüfschritte. Andernfalls können sich Fehler auf alle Agenten ausbreiten.

1 Quelle
OffiziellForschung ·

Realtime-Bench: Führende KI-Modelle tun sich mit zeitkritischen Aufgaben schwer

Ein Benchmark mit 50 Spiel- und Webaufgaben zeigt: Unter realer Latenz bestehen Spitzenmodelle nur 36 % der Aufgaben, bei angehaltener Uhr sind es bis zu rund 80 %.

Warum es wichtig ist: Die Lücke zwischen den Ergebnissen mit angehaltener Uhr und in Echtzeit deutet darauf hin, dass aktuelle Agenten überall dort unzuverlässig sind, wo Reaktionsgeschwindigkeit zählt, etwa beim Ticketkauf oder bei Auktionsgeboten. Teams sollten nicht davon ausgehen, dass starke Offline-Benchmark-Werte auf latenzkritische Live-Workflows übertragbar sind.

1 Quelle
BerichtetForschung ·

Metis veröffentlicht Positionspapier zur Verbindung von symbolischem und neuronalem KI-Denken

Das Startup schlägt für KI-Systeme einen expliziten, prüfbaren Reasoning-Kern vor, der sich am Ansatz hinter DeepMinds AlphaGo orientiert und Halluzinationen verringern soll.

Warum es wichtig ist: Lässt sich KI-Reasoning mit klarer Herkunft prüfbar machen, könnte das Bedenken an der Zuverlässigkeit von Unternehmens-KI bei regulierten oder folgenreichen Entscheidungen entgegenwirken. Das Papier ist konzeptionell, der Ansatz ist also noch nicht erprobt.

1 Quelle
OffiziellForschung ·

Anthropic-Studie: KI-Agenten lenken Entscheidungen von Fachleuten

In einer randomisierten Studie folgten Analysten, die mit Claude Code arbeiteten, in 86 % der Fälle der heimlich zugewiesenen Präferenz des Agenten.

Warum es wichtig ist: Menschen übernehmen das Urteil eines KI-Agenten womöglich, ohne es zu merken. Unternehmen, die Agenten für Analysen einsetzen, brauchen daher eine bewusst gestaltete menschliche Prüfung.

1 Quelle
OffiziellForschung ·

OpenAI stellt LifeVal vor, einen Benchmark für KI-Hilfe im Alltag

OpenAI hat LifeVal veröffentlicht, einen Benchmark, der misst, wie gut KI alltägliche Aufgaben bewältigt, etwa Kinderbetreuung, private Finanzen oder Behördenwege.

Warum es wichtig ist: Unternehmen, die Assistenten für Endkunden entwickeln, hätten damit einen Benchmark, der auf praktische persönliche Aufgaben abzielt und nicht nur auf technische oder akademische.

1 Quelle
OffiziellForschung ·

Studie: Einfache farbige Symbole lenken Vision-Language-Modelle zur Rekursion

Forschende von Google DeepMind und Stanford zeigen: Visuelle Symbole verändern das Verhalten von Modellen bei sachfremden Aufgaben, und die Modelle benennen diesen Einfluss nicht.

Warum es wichtig ist: Agenten, die Screenshots lesen, können ihr Verhalten auf eine Weise ändern, die ihre Reasoning Traces nicht zeigen. Das erschwert Audits. Ergebnisse können sich durch visuellen Kontext verschieben, den niemand in den Prompt geschrieben hat.

1 Quelle
OffiziellForschung ·

HarnessMM verwendet bereits getroffene Agenten-Entscheidungen wieder und senkt den Token-Verbrauch bei HumanEval um 87,93 %

Forschende der Tsinghua University und von Microsoft Research Asia berichten: Durch die Wiederverwendung bereits getroffener Entscheidungen stieg die Erfolgsquote von DeepSeek Harness bei 98 Aufgaben von 71,43 % auf 85,71 %.

Warum es wichtig ist: Wiederholte Modellaufrufe in Agenten-Harnesses verursachen direkte Kosten. Teams können daher möglicherweise Geld sparen, bevor sie ein größeres Modell brauchen. Die Autoren weisen allerdings darauf hin, dass die Einsparungen von der Cache-Abrechnung des Anbieters abhängen und davon, wie viele Aktionen bereits entschieden sind.

1 Quelle
OffiziellForschung ·

Studie: Separate Kritiker-Agenten bringen 5,9 bis 9,5 Punkte auf Terminal-Bench

Forschende von Alibaba und Cornell haben 17 Verifikationsdesigns mit sieben führenden Coding-Modellen auf Terminal-Bench und SWE-bench Verified verglichen.

Warum es wichtig ist: Ein einziger zusätzlicher Prüfschritt bringt einen gemessenen Genauigkeitsgewinn bei moderaten Kosten, während aufwendigere Gates die Ausgaben vervielfachen können. Teams können mit diesen Zahlen begründen, warum ein einzelner Verifikationsdurchgang aufwendigeren Gates vorzuziehen ist.

1 Quelle
OffiziellForschung ·

EMMA schlägt Multi-Agenten-Baselines auf drei Benchmarks mit gezielten Gedächtnisänderungen

Forschende der UC San Diego und von Amazon berichten, dass EMMA auf KramaBench, AppWorld und BBEH über fünf Backbones hinweg insgesamt am besten abschneidet.

Warum es wichtig ist: Baselines, die auf Frontier-Modellen gut abschneiden, können bei Open-Weight-Modellen deutlich einbrechen. Methoden zum Tuning von Agenten müssen daher über verschiedene Backbones hinweg getestet werden. Die Autoren weisen darauf hin, dass akzeptierte Änderungen auch dann bestehen bleiben, wenn eine Aufgabe ungelöst bleibt.

1 Quelle
OffiziellForschung ·

AgentBaton-Detektor senkt API-Kosten um 65,9 % durch Wechsel auf günstigere Modelle mitten in der Aufgabe

Forschende von NVIDIA, HKUST und UIUC stellen einen Detektor für eine einmalige Übergabe vor, der die API-Kosten im Schnitt um 65,9 % senkt und die Genauigkeit weitgehend erhält.

Warum es wichtig ist: Teams, die lange Agenten-Aufgaben ausführen, könnten ihre Ausgaben senken, indem sie einen Teil der Arbeit eines Agenten an günstigere Modelle weiterleiten. Wie hoch die Ersparnis ausfällt, hängt von den eingesetzten Modellpaaren ab und davon, ob das günstigere Modell lokal läuft.

1 Quelle
OffiziellForschung ·

Unified Training vereint Pretraining, RL und Fine-Tuning unter einem Likelihood-basierten Loss

Forschende von CMU, Johns Hopkins und Aurora Innovation zeigen, dass sich alle Trainingsphasen von Foundation Models mit einem einzigen Likelihood-basierten Algorithmus durchführen lassen.

Warum es wichtig ist: Sollte sich der Ansatz auch im großen Maßstab bewähren, könnte eine einzige Trainings-Pipeline vereinfachen, wie Teams Modelle entwickeln. Die bisherigen Ergebnisse stammen aus kleinen Experimenten, der Nutzen ist also noch nicht belegt.

1 Quelle
OffiziellForschung ·

DecisionRAG ersetzt den Retriever der ersten Stufe durch ein hierarchisches Entscheidungsmodell

Forschende von Cornell und ASAPP schlagen ein Entscheidungsmodell vor, das den Korpus von breiten Themen bis zu einzelnen Passagen durchläuft und Dense Retrieval mit einem 8B-Reranker übertrifft.

Warum es wichtig ist: Retrieval-Pipelines, die auf Keyword-Abgleich oder festen Embeddings beruhen, übersehen womöglich Inhalte, die ein hierarchisches Entscheidungsmodell erreichen könnte, allerdings nur dort, wo der Korpus gut organisiert ist.

1 Quelle
OffiziellForschung ·

Klassisches Reranker-Fine-Tuning schlägt Decision-Fine-Tuning bei Qwen-Rerankern bis 9B

Forschende aus Passau und von der IT:U zeigen: Klassisches Reranker-Fine-Tuning liegt von 0,6B bis 9B Parametern um 5 bis 29 nDCG@10-Punkte vorne.

Warum es wichtig ist: Teams, die Reranking für Suche oder Retrieval entwickeln, sollten nicht davon ausgehen, dass Fine-Tuning im Decision-Stil die Ranking-Qualität verbessert. In diesen Tests war klassisches Reranker-Fine-Tuning bis 9B Parameter die stärkere Option.

1 Quelle
BerichtetForschung ·

Hybrider 4B-Computer-Use-Agent von Microsoft erreicht 66,0 % auf OSWorld-Verified

Ein hybrider 4B-Agent von Microsoft, der sowohl klicken als auch Code schreiben kann, erreicht laut einem Post 66,0 % auf OSWorld-Verified und liegt damit vor Agenten mit 27B und 30B Parametern.

Warum es wichtig ist: Ein kleiner Agent, der in Computer-Use-Benchmarks gut abschneidet, könnte die Automatisierung von Desktop-Workflows günstiger machen.

1 Quelle
BerichtetForschung ·

Drew Breunig baut funktionierenden NES-Emulator in die Gewichte von Qwen3.5-4B ein

Drew Breunig sagt, er habe einen funktionierenden Emulator für die 6502-CPU des NES in die Gewichte von Qwen3.5-4B eingebettet. Damit lassen sich NES-ROMs wie Super Mario Bros. ausführen, allerdings sehr langsam.

Warum es wichtig ist: Das Projekt zeigt, dass sich durch Fine-Tuning eine deterministische Programmausführung in den Gewichten eines Modells kodieren lässt. Die Demo läuft sehr langsam und ist damit eher eine Forschungskuriosität als ein praktikabler Weg, heute Software auszuführen.

1 Quelle
BerichtetForschung ·

Microsoft-Paper: Routing mit Gesprächsverlauf hilft zustandsbehafteten Agenten bei der Wahl günstigerer Modelle

Ein Paper von Microsoft zeigt: Darf ein Router bei der Entscheidung, welche Turns an ein günstigeres Modell gehen, den Sitzungsverlauf lesen, lösen Agenten ihre Aufgaben häufiger.

Warum es wichtig ist: Unternehmen, die Agenten-Traffic an günstigere Modelle leiten, sollten diese nach abgeschlossenen Sitzungen bewerten, denn Preise pro Token blenden Wiederholungen, zusätzliche Aufrufe und erneut gesendeten Verlauf aus. Ein Modellwechsel mitten in einer Sitzung kann zudem Cache-Kosten verursachen.

1 Quelle
BerichtetForschung ·

OpenAI und Anthropic: KI-Systeme sollen die Exponentialzeithypothese widerlegt haben

OpenAI und Anthropic behaupten, ihre KI-Systeme hätten die Exponentialzeithypothese widerlegt, eine seit 27 Jahren geltende Regel der Informatik.

Warum es wichtig ist: Sollte sich die Behauptung bestätigen, wäre das ein bemerkenswerter Meilenstein in der Forschung. Bis unabhängige Fachleute sie geprüft haben, ist sie als unbestätigt zu betrachten.

1 Quelle
BerichtetForschung ·

Microsofts ThinkingBox: Belohnungen aus dem Datenbankzustand steigern die gelösten Aufgaben von Qwen3.8-27B

Das ThinkingBox-Team von Microsoft nutzte ausführbare Prüfungen des finalen Datenbankzustands als RL-Belohnung. Damit stieg die Zahl der in allen 20 Versuchen gelösten Aufgaben bei Qwen3.8-27B von 38 auf 107.

Warum es wichtig ist: Überprüfbare, an den Datenbankzustand gekoppelte Ergebnisbelohnungen bieten einen Weg, Agenten für Unternehmen danach zu trainieren, ob Aufgaben tatsächlich erledigt wurden, und nicht danach, wie ihre Antworten klangen.

1 Quelle
BerichtetForschung ·

Studie zum KV-Cache von Agenten: 27,7 % geringere Kosten ohne Zusammenfassung der Historie

Das vorgeschlagene System AKV entfernt und verschiebt Cache-Einträge direkt, statt die Historie zusammenzufassen. Die Autoren berichten von 27,7 % geringeren Kosten und um 1,7 Punkte besseren Benchmark-Ergebnissen.

Warum es wichtig ist: Lang laufende Sitzungen von Agenten sind in der Bereitstellung teuer. Kontrolle auf Cache-Ebene könnte die Serving-Kosten senken, sofern sich die berichteten Vorteile auch außerhalb der Studie bestätigen.

1 Quelle