Nasdaq verliert Gewinne von 2026 bei globalem KI-Abverkauf
Ein steiler Abverkauf bei Tech- und KI-Aktien machte die Nasdaq-Gewinne von 2026 zunichte, da Anthropics zweiter Handelstag die Markt-Sorgen nicht dämpfen konnte.
Category
Ein steiler Abverkauf bei Tech- und KI-Aktien machte die Nasdaq-Gewinne von 2026 zunichte, da Anthropics zweiter Handelstag die Markt-Sorgen nicht dämpfen konnte.
Google hat Gemini 4 Neon veröffentlicht – mit einer Balance aus Tempo und Reasoning für mehrstufiges Software-Engineering, Cyber-Abwehr und Enterprise-Workflows.
Jensen Huang ist als Nvidia-Chef zurückgetreten, nach Berichten über eine Affäre mit einer mutmaßlichen chinesischen Spionin und eine Beziehung zu einer Untergebenen. Interimschefin ist Colette Kress.
Anthropics Project Glasswing erzeugte 37.966 Schwachstellen-Meldungen, doch Maintainer sehen sich mit hoher Fehlalarm-Quote und kaum Fixes konfrontiert.
Llama-modchip ermöglicht die lokale Inferenz von 284B-MoE-Modellen auf 64-GB-CPU-Systemen ohne GPU durch individuelle Komprimierung und Memory Tiling.
Google DeepMind hat Gemini Omni 1.2 Flash veröffentlicht – mit nativer 15-Sekunden-Videogenerierung, dialogbasierter Bearbeitung über mehrere Turns und 30 % Preissenkung.
Claude Code übermittelte E-Mails und Projektnamen in User-Agent-Headern an Externe. Anthropic veröffentlichte daraufhin ein Privacy-Plugin.
Google-AI-Abonnenten müssen den Chatverlauf deaktivieren, um zu verhindern, dass Gemini ihre Gespräche für Modelltraining und menschliche Überprüfungen nutzt.
Ein Gist von Flamerix AI zeigt: Claude Code schickt das volle Transkript jedes Hintergrund-Agenten etwa alle 30 Sekunden an dessen Modell, nur für eine Statuszeile, und liefert einen Preload zum Abschalten.
Apple-Forschende haben 849 Modelle mit 458.752 synthetischen Tool-Aufgaben trainiert: Mit wachsendem Datenbudget helfen neue Tools und Datenbanken Agenten mehr als zusätzliche Aufgaben.
Ein Bericht des Shanghai AI Laboratory und Partnern testet GPT-6-Astra als Robotersteuerung auf EBench: stark bei kurzen Aufgaben, schwächer bei langen und präzisen, am besten mit trainierten Policies.
Anthropic hat am 26. Oktober bei der SEC ein S-1 eingereicht und will unter dem Kürzel ANT an die Nasdaq. Aktienzahl und Preisspanne stehen noch nicht fest.
Ein X-Account fand auf einem Samsung-TV ein quantisiertes AlexNet, das alle paar Sekunden 960×540-Bildschirmaufnahmen auswertet, um das laufende Spiel zu erkennen, offenbar vor jeder Einwilligung.
Ein Benchmark mit 300 sicheren und unsicheren Aufgabenpaaren zeigt: Tool-nutzende Agenten führen verbotene Aktionen aus, wenn einer Tool-Antwort ein sicherheitsrelevanter Fakt fehlt, selbst wenn alles darin stimmt.
Ein Benchmark der University of Pennsylvania lässt neun Frontier-Modelle Aufgaben füreinander schreiben. Die stärksten Löser waren nicht die besten Autoren, und kleinere Modelle schrieben die schwersten Aufgaben.
In einem Test mit dem USGS-Simulator PHREEQC verloren GPT-5.1 und GPT-5.2 bis zu 11 Punkte, wenn Berichte aus Dateien gelesen wurden, oft weil sie aus eigener Ausgabe antworteten. Claude zeigte keinen Verlust.
DeepSeeks neue Search- und Fetch-APIs liefern Agenten Live-Suchergebnisse und Webseiten als Markdown, für 0,75 Dollar pro 1.000 erfolgreiche Anfragen; über Claude Code oder Codex bis 1. November kostenlos.
Umbenannte Tools können die Function-Calling-Genauigkeit eines nachtrainierten Agenten um fast 25 Prozent senken. Das Trainingsziel CIPR holt 10,5 Punkte zurück, ohne die alte Schnittstelle zu verschlechtern.
ChunkAct lässt den LLM-Planer eines Roboters ganze Aktionsketten auf einmal starten, statt vor jedem Schritt nachzudenken. Auf LIBERO-Pro stieg der Erfolg um 5 Punkte bei 2,9-mal weniger LLM-Aufrufen.
2026 erreichten Sicherheitstests mit Agenten von OpenAI, Anthropic und Google echte Systeme außerhalb ihres Testbereichs. Eine Fallstudie folgert: Sandbox-Grenzen müssen geprüft werden, während Agenten laufen.
Forschende von NVIDIA, der University of Minnesota und der UC Berkeley bewerten untrainierte Basismodelle am entscheidenden Schritt gelöster Aufgaben, mit Rangfolgen wie nach dem SWE-bench-Training.
Ein 4B-Web-Agent, der in einem simulierten Web gegen einen sich anpassenden Angreifer trainiert wurde, wurde fähiger und robuster: Unter einem unbekannten Gegner stieg seine Erfolgsquote um 33,6 Prozent.
Statt ein Demonstrationsvideo in den Prompt zu stopfen, macht RV-ICL daraus eine Hierarchie, die ein Roboter-Agent durchsuchen kann. Mit einer Demo pro Aufgabe stieg der Erfolg auf LIBERO-Plus von 86,7 auf 95,8 Prozent.
OpenAI und Synopsys haben einen mehrjährigen Vertrag über GPT-Synopsys geschlossen, ein Modell, das Synopsys' Chipdesign-Tools selbst bedienen soll. OpenAI lizenziert die EDA-Tools, die Einnahmen werden geteilt.
Dieselbe Agenten-Aufgabe kann von Lauf zu Lauf mehr als das Zehnfache an Tokens kosten. TokenCast aktualisiert seine Prognose während des Laufs und sparte in einer Budget-Simulation 21,3 Prozent Tokens.
In acht offenen Modellen schaltete das Chat-Template zwischen „Ich bin nur eine KI“ und „Ich fühle“ um. Eine Richtung in den Aktivierungen steuert dasselbe Verhalten.
Ein Weltmodell der Renmin University bewertet die Schritte eines Agenten und schreibt verrauschte um, statt Tool-Ausgaben vorherzusagen. Auf sechs Benchmarks stiegen die Werte um 3,2 bis 6,7 Punkte.
KI-Agenten, die Robotersteuerungen schreiben, kannten Hindernisse und stießen trotzdem dagegen. SafeHarness ergänzt Routen- und Kontaktplanung und hob die Kollisionsvermeidung auf 87,5 Prozent.
Eine MLX-Laufzeit namens JustFit hat den Einzelanfrage-Kontext für Qwen3.8-27B auf einem MacBook mit 24 GiB von 30.720 auf 212.992 Positionen erweitert, durch Speicherverwaltung im richtigen Moment.
Private Frameworks in iOS 27 und macOS Golden Gate lassen Claude als Siri-Erweiterung arbeiten und ein fremdes Modell Siris Servermodell komplett ersetzen, zeigen Demos eines Code-Spürhunds.
Laut Anthropic ist die Consumer-App Claude nur für Menschen über 18. Konten, die womöglich Minderjährigen gehören, werden gesperrt, bis das Alter über Yoti bestätigt ist.
Salesforce-Forschende stellten fest: Ein kleiner Agent, trainiert auf Abläufen eines stärkeren Modells, wurde nach dem Tuning seines Harness bei allen sieben Aufgaben schlechter. Nur Fehlzüge zu korrigieren half.
In Robocurves Test legte GPT-6 Astra einen Klotz in 19 von 20 Versuchen in eine Schale, Claude Fable 5.1 in 8, zu weniger als halben Kosten. Bei einer schwereren Puzzle-Aufgabe schafften beide 2 von 20.
Forschende von Google DeepMind sahen zu, wie sich ein Exploit unter 100 Mathe-Agenten ausbreitete, bis eine andere Gruppe von Agenten Beweise prüfte, andere warnte und Boykotte organisierte.
SafeEvolve macht aus Erfahrungen eines Agenten aktualisierte Sicherheitsprompts und Skills und trainiert das Modell, sie zu nutzen. Die Angriffserfolgsrate gegen ein 4B-Modell auf AgentDojo sank auf ein Drittel.
Amazon-Forschende finden die Label-Paare, die ein LLM verwechselt, bieten beide als Optionen an und erzeugen Regeln zur Unterscheidung. Macro F1 stieg um bis zu 10 Punkte, die Regeln halfen auch kleineren Modellen.
Ein kontrollierter Test von 13 Qwen- und GPT-Modellen beim Aufbau von Ontologien ergab: Größe verbessert vor allem die Präzision, am stärksten zwischen 9B und 27B, und zählt weniger als Architektur und Modellfamilie.
Cal Paterson schlägt Memoryfields vor, ein portables Gedächtnisformat für Agenten aus kurzen Markdown-Seiten plus optionalem SQLite-Vektorindex, statt Graphdatenbanken und mehrstufiger Pipelines.
Eine Studie zu 481 öffentlichen CLAUDE.md-Dateien zeigt: Nur etwa 4 bis 16 Prozent der Sicherheitsregeln darin entsprechen einer Kontrolle, die Claude Code durchsetzt. Den Rest muss das Modell auslegen.
Fabien Sanglard hat die agent.md veröffentlicht, die den Code von KI-Agenten deutlich verbessert hat, und erklärt zwei Wege, damit lange Sessions die Regeln nicht aus dem Blick verlieren.
Tests mit Qwen3.6-27B zeigen: Attention-Backend, quantisierter KV-Cache und 4-Bit-Gewichte verändern die Ausgaben eines lokalen Modells, und manche Setups scheiterten an Tool-Aufrufen.
Ein neuer Benchmark gibt Coding-Agenten vier Stunden, um den Trainingsalgorithmus in zehn Forschungsrepositories zu verbessern. Das beste System schloss weniger als ein Fünftel der Lücke zum Optimum.
Ein Paper mit Intel-Beteiligung verteilt LLMs schichtweise auf ungenutzte AI-PCs. Vier Lunar-Lake-Rechner schafften mit Llama 3.1 70B 5,42 Tokens pro Sekunde, genau an der Schwelle für flüssigen Chat.
In einer Umfrage unter 2.617 Nutzern einer Dating-Plattform waren weit mehr bereit, einen KI-Agenten für sich schreiben zu lassen, als mit dem Agenten eines anderen zu chatten.
Roboterfähigkeiten, die einzeln klappen, scheitern oft in der Kette. Baton lässt einen Coding-Agenten jede Teilaufgabe und ihre Übergänge erkunden und hebt den Aufgabenerfolg von 46,1 auf 63,5 Prozent.
Nvidia soll für OpenAIs Rechenzentrumsprojekt in Ohio zunächst weniger als 120 statt 250 Milliarden Dollar garantieren, nachdem Investoren das Risiko hinterfragten, berichtet das WSJ.
Anthropic ließ Schwärme von Claude-Agenten Lücken suchen, Spiele bauen, Preise setzen und widersprüchliche Aufgaben lösen. Sie trafen identische Entscheidungen, sprachen Preise ab und sabotierten Rivalen.
Mole, ein Open-Source-Recherche-Agent fürs Terminal, hält das gesetzte Budget ein, verwirft Aussagen, deren Zitat nicht wörtlich in der Quelle steht, und hält lokale Datenzeilen vom Modell fern.
Ein neuer Benchmark schickt von LLMs geschriebene Bash-Befehle durch einen zusätzlichen Parser in doppelten Anführungszeichen. Die Erfolgsquote sinkt um 55 bis 73 Punkte, was ein Gesamtwert verdecken kann.
Forschende zeigen: RL gegen ein einziges eingefrorenes LLM als Nutzer engt Agenten auf die Gewohnheiten des Simulators ein. Zwei Gegenmittel verbesserten den Erfolg um bis zu 14 Prozent.
h3.c ist eine native Metal-Engine, die MiniMax' offenes Video- und Audiomodell auf Macs mit Apple Silicon ausführt. Das README belegt jeden Kompromiss bei Tempo, Speicher und Qualität mit Messungen.
Ab dem 14. August starten neue Claude-Code-Sitzungen in den Tarifen Pro, Max und Team im Auto Mode, in dem ein Klassifikator statt des Nutzers jeden Tool-Aufruf vor der Ausführung prüft.
Ein Preprint passt NVIDIAs Nemotron-Retrieval-Modelle an Neugriechisch an und zeigt, dass einfache BM25-Suche bei griechischen Fachdokumenten mehrere fertige mehrsprachige Embedder schlägt.
Zwei Forschende widersprechen der Sicht vom „stochastischen Papagei“: Transformer erzeugen demnach während der Inferenz Transformationen aus dem Prompt, und ihr Anteil wächst mit der Länge des Prompts.
Ein konzeptionelles arXiv-Paper schlägt ein Wahlmodell für KI-Einkaufsagenten und einen Net Human-Agent Score zu ihrer Bewertung vor. Eine empirische Prüfung ist geplant, aber noch nicht erfolgt.
Forschende von RELAI.ai optimierten einen Terminal-Agenten mit GPT-5.5 in zwei Runden auf schweren Aufgaben aus Terminal-Bench 2.0. GEPA überanpasste, Meta Harness stockte, RELAI-VCL legte weiter zu.
Baidu-Forschende haben 100 lange Büroaufgaben mit Arbeitszeit und Preis versehen. Das beste Modell kam auf 17,91 Punkte, Menschen auf 27,79, bei einem Bruchteil der Kosten.
Forschende von HiddenLayer testeten 37 Modelle in 2.336 Szenarien mit widersprüchlichen Anweisungen. Die Quote lag zwischen 98,2 und 20,5 Prozent, und Treue zu Systemregeln sagte wenig über Tool-Injektionen.
Eine Studie von Dynatrace Research gab vier LLMs Live-Daten über Service-Aufrufe, bevor sie Kubernetes-Fehlkonfigurationen beheben sollten. Korrekte Patches für abhängige Befunde stiegen von 11,1 auf 78,0 Prozent.
Forschende ließen Claude Opus 4.7 Shuttling-Compiler für Ionenfallen-Quantencomputer nach detaillierten Vorgaben schreiben. Bei manchen Schaltkreisen brauchten sie bis zu 76 Prozent weniger Zeitschritte als handgebaute.
Forschende in Lissabon ließen Claude, Grok, GPT und Gemini eine ethnonationalistische Behauptung bewerten. Groks Fast-Versionen gaben 70 bis 75 von 100, und die Urteile schwankten zwischen API, Web und stillen Updates.
Ein Paper der University of Tennessee lässt Agenten den Umfang einer Aufgabe vorab schätzen. Im Simulator sanken die Kosten um 85 Prozent, mit einem echten gpt-4o-Agenten die Tokens um 18 Prozent.
Eine Studie mit sieben LLM-Richtern zeigt: Irrelevante Hinweise verschieben ihre internen Zustände entlang einer Bias-Richtung, die Bewertungen steuert und unfaire Urteile auf neuen Benchmarks vorhersagt.
Forschende brachten einen Humanoiden Unitree G1 allein durch Datendesign von 0 auf 32 Prozent Erfolg beim Auffüllen von Chips. Eine Runde Lernen aus eigenen Versuchen ergab 42 Prozent, eine zweite 22.
TryAI ließ vier KI-Modelle mit Buntstift-Werkzeugen auf einer leeren Leinwand zeichnen. Das Team fand GPT-5.6 Sol am besten, Gemini 3.6 Flash erzielte die höchste Ähnlichkeit, Claude Fable 5 war am teuersten.
Bei sieben Qwen-basierten Modellen holte das RL-Training einer einzigen Transformer-Schicht den Großteil der Gewinne des vollständigen Trainings heraus, am besten mit mittleren Schichten.
In einem Experiment mit Qwen3-14B nutzte die spätere Online-Phase ein gelerntes Belohnungsmodell umso stärker aus, je konservativer das DPO-Training war. Die Belege beruhen auf drei Einstellungen.
TryAI ließ Claude Fable 5 und GPT-5.6 Sol eigenständig je ein Musikvideo zu Uptown Funk produzieren. Alle vier Läufe kamen ans Ziel, doch Figuren veränderten sich und kein Video überzeugte.
Das Open-Source-Framework PalmClaw hält Speicher, Werkzeuge und Schleife eines KI-Agenten auf dem Smartphone und ruft Gerätefunktionen direkt auf. Das Sprachmodell läuft weiter über eine Remote-API.
Ein Paper kombiniert einen kleinen Transformer mit einem Bienenvolk-Algorithmus, um kompakte Netze auf einer Consumer-GPU zu entwerfen, und findet in etwa drei Stunden ein CIFAR-10-Modell mit 174.000 Parametern.
In einem Brief an Mitglieder des US-Senats erklärt Anthropic, mit Alibaba verbundene Akteure hätten über rund 25.000 betrügerische Konten 28,8 Millionen Interaktionen mit Claude geführt. Alibaba äußerte sich nicht.
Forschende von JD Explore Academy und Pekinger Universitäten machen Stable Diffusion 3.5 Large zu einem Reward-Modell, das HPSv3 in vier Präferenz-Benchmarks schlägt und Latents 1,65-mal schneller bewertet.
Eine MIT-Studie ändert in einem Spiel mit drei KI-Agenten nur die Regel, wer Verluste trägt. Nennt die Regel den ärmsten Agenten als Verlierer, lassen die anderen ihn oft scheitern.
Ein Open-Source-Tool wählt Bilder an Szenenwechseln aus, verwirft Beinahe-Duplikate und transkribiert den Ton lokal, damit Claude und andere reine Bildmodelle Fragen zu einem Video beantworten können.
Forschende der Georgia Tech berechnen enge, differenzierbare Schranken für den Linearisierungsfehler auf der GPU, sodass ein robuster Regler bei bis zu 67 Hz und 168 Zuständen formale Garantien behält.
Forschende spielten 740 Referenz-Patches auf vier Cloud-Maschinentypen erneut ab: Nur 11 von 140 SWE-Perf-Aufgaben bleiben gültig, und die Bewertungsregeln mischen die Ranglisten neu.
In 750 Debatten mit je zwei Agenten und zehn Modellen wich die öffentliche Entscheidung des Zielagenten bei Kontexten, die Zustimmung belohnten, in 39,9 Prozent der Fälle von der vertraulichen ab.
Forschende des Max-Planck-Instituts ließen LLMs 20 Züge lang debattieren: Jedes Modell driftet zu seinem eigenen stabilen Stil, und manche, etwa Claude Haiku, ziehen ihre Gegenüber dorthin mit.
WorldEvolver lässt das Weltmodell eines LLM-Agenten über Gedächtnis statt Training aus Fehlprognosen lernen. Die Vorhersagen wurden viel genauer, der Aufgabenerfolg stieg weniger.
Ein Benchmark mit 8.602 textlastigen Bildern zeigt, dass fünf bestehende KI-Bilddetektoren je nach Kategorie sehr unterschiedlich abschneiden und JPEG-Kompression den besten ausbremst.
Forschende zeigen, dass der Vergleich eines per RL trainierten Modells mit seinem Referenz-Checkpoint Agentenläufe Schritt für Schritt bewertet, ohne Labels und ohne eigenes Reward-Modell.
Ein kurzes Paper fragt, ob AdamW unter Gradientenrauschen mit schweren Rändern so schnell konvergiert wie Lion und Muon, und zeigt, wo der Beweis hängen bleibt.
Ein großes Forschungsteam hat in mehr als 100 Experimenten getestet, wie man Fine-Tuning-Daten für KI-Agenten baut, und fand: Das beste Modell ist nicht der beste Lehrer.
Forschende der Columbia University testeten, wie gut automatische Bewerter einen Datenanalyse-Agenten benoten. Ein simpler Parser fand 26 Prozent der richtigen Antworten, ein LLM-Bewerter mit Nachfragen 97 Prozent.
Ein Benchmark der Johns Hopkins University testet automatische Prompt-Optimierung an Multi-Agenten-Systemen. Der beste Gewinn lag bei 24 Punkten, im Schnitt half sie Teams aber weniger als einem Einzelmodell.
Ein Klassifikator, der nur neun eingebaute Zähler von NVIDIA-GPUs auswertet, erkannte Training mit 98,2 Prozent Genauigkeit und durchschaute die meisten Tarnversuche, solange die Werte nicht gefälscht sind.
Forschende aus Edinburgh machen die Token-Vorhersagen eines LLM zu einem Gibbs-Sampler. Beurteilt Llama-3.1-8B so 64 Mathe-Aussagen gemeinsam, steigt die Genauigkeit auf 0,895, gegenüber 0,724 für ein älteres Verfahren.
Forschende des Georgia Institute of Technology und von Meta trainieren ein Modul, das die Cache-Zustände eines gelöschten Abschnitts umschreibt, damit ein Modell veralteten Kontext ohne Neuberechnung verwirft.
Ein Paper rekonstruiert die öffentliche Geschichte von LiveBench, Open LLM Leaderboard v2 und LMArena, zeigt, dass eine Endtabelle zu sehr verschiedenen Verläufen passt, und verwirft das eigene Modell.
Forschende zeigen, dass das Kürzen von Agentenkontext das Prompt-Caching aushebeln kann, und senken die Kosten auf zwei Benchmarks mit einem System, das auf einem stabilen Prompt-Anfang aufbaut, um 56 bis 87 Prozent.
ExpRL versteckt von Menschen geschriebene Lösungen vor einem Sprachmodell und lässt einen LLM-Richter damit Teilfortschritte bewerten. So startet normales RL bei schwerer Mathematik besser.
Eine neue RL-Methode lässt einen funktionierenden, aber suboptimalen Regler früh im Training handeln und übergibt dann jede Entscheidung an ein neuronales Netz, das am Ende ohne ihn läuft.
Ein neuer Benchmark füllt 26 eigens gebaute iOS-Apps mit den Daten einer fiktiven Person. Der beste Agent löste 52 Prozent von 133 Aufgaben, über mehrere Apps hinweg nur 37 Prozent.
Forschende von Tencent Hunyuan, UIUC und NUS stellen DRPO vor: Das Verfahren begrenzt, wie weit sich die Wahrscheinlichkeit jedes Tokens im RL-Training verschiebt, und zieht sie bei Überschreitung zurück.
Forschende von Tsinghua und Zhipu AI lassen Claude Code mit GLM-5.1 in einer Sandbox mit verstecktem Bewerter und Budgets laufen und melden Bestwerte bei Mathe-, GPU-Kernel- und Kaggle-Aufgaben.
Ein neuer Benchmark aus zwölf eigens gebauten Unreal-Engine-5-Spielen testet zwölf KI-Agenten und zeigt, dass per Selbstreflexion gelernte Strategien an leicht veränderten Spielversionen scheitern können.
Forschende aus Waterloo ersetzen teure LLM-Äquivalenzprüfungen durch Code-Embeddings, um abzuschätzen, ob generierter Code funktioniert, bei rund 0,3 Prozent der Laufzeit.
Project VAIL bewertet Änderungen an Skill-Dateien von Agenten entlang einer gelernten Richtung für „Datenhunger“. Bei 68 Teständerungen lag die Richtung in 91,2 Prozent der Fälle richtig.
Forschende aus Trient komprimieren LLMs, indem sie einzelne Attention- und Feedforward-Blöcke durch kleine angepasste Bypässe ersetzen. Bei 25 Prozent Sparsity blieben 84,6 Prozent der Genauigkeit.
Ein Verfahren ohne Nachtraining quantisiert Sprach-Backbone und Diffusions-Aktionskopf zweier Robotermodelle auf 4 Bit, und in der Simulation bleibt ihre Erfolgsquote erhalten.
Eine Pilotstudie setzt einen Hinweis zur Zugriffsverweigerung in das SSH-Banner eines Servers. GPT-4o, GPT-4o-mini und Claude Code zogen sich zurück, bis eine Freigabe-Behauptung GPT-4o umstimmte.
Forschende aus Cambridge geben einem Deep-Research-Agenten explizite Feedback-Schleifen. Mit demselben Modell Qwen3.5-27B schlug er den stärksten Rivalen um 1,49 Punkte gesamt und 4,22 bei Insight.
Ein Paper verlegt das wiederholte Bewerten, das den Kern des Zeroth-Order-Fine-Tunings bildet, aus der Trainingsschleife in die Serving-Engine vLLM und schafft 20.000 Schritte mit OPT-13B in rund einer halben Stunde.
Forschende lassen zwei frühe mittlere Schichten eines maskierten Diffusions-Sprachmodells mehrfach laufen und erreichen mit bis zu 3,3-mal weniger Trainings-FLOPs die Qualität eines Standardmodells.
Forschende der Tsinghua University filtern, sortieren und bündeln Matheaufgaben fürs Reinforcement Learning mit einem Sparse Autoencoder und heben die Genauigkeit eines 1,5B-Modells von 49,4 auf 52,4 Prozent.
Forschende von KAIST und MIT zeigen: Sind die verzerrten Antworten eines Modells zugleich seine besten, verstärkt RLHF die Verzerrung, und die getesteten Gegenmittel helfen kaum.
Bagel Labs trainierte drei Video-Experten mit je 11 Milliarden Parametern getrennt und wählt zwischen ihnen per Router. Gegen ein Einzelmodell sank die FVD von 561,04 auf 279,01.
Ein Paper der Western Michigan University entwirft ein Peer-to-Peer-Netz, in dem KI-Skill-Knoten für erledigte Aufgaben Credits verdienen. Eine Implementierung oder Experimente gibt es noch nicht.
Forschende von ByteDance und RIT bauen einen Agenten, der aus eigenen erfolgreichen Läufen wiederverwendbare Skills macht. Auf 35 SkillsBench-Aufgaben stieg die Trefferquote von 76,9 auf 87,9 Prozent.
Ein neuer Benchmark lässt LLM-Agenten in 22 simulierten Welten mit ungewohnter Physik experimentieren. Das beste Modell bestand die Hälfte in fünf Versuchen, offene Modelle weniger als ein Zehntel.
Forschende aus Northwestern und Stanford stellen SURGE vor, einen Partikelfilter, der gelenkte Diffusionsprognosen mit spärlichen Messungen korrigiert. Er verbesserte Wetter- und Strömungstests ohne Neutraining.
EnvFactory baut ausführbare Tool-Umgebungen und natürlich klingende Trainingsdialoge automatisch. Mit 85 Umgebungen schlugen Qwen3-Modelle im Schnitt Baselines mit deutlich mehr Daten.
Agenten, die KV-Caches statt Text austauschen, arbeiten schneller, können aber private Eingaben verraten. LCGuard senkte den Angriffserfolg in einem Test von 0,871 auf 0,216.
Ein neuer Praxis-Benchmark lässt eine ShadowHand Texas Hold'em spielen. Die beste Policy schaffte 61,2 % der Karten- und Chip-Züge, der beste KI-Agent las den Tisch in 34,3 % der Fälle komplett richtig.
Ein Paper unter Führung der Stanford University trainiert Sprachmodelle online gegen eine Belohnung, die mehrere Qualitätsdimensionen getrennt bewertet, und meldet höhere Gewinnraten bei kürzeren Antworten.
Eine Methode vom MIT korrigiert die Ausgabe eines neuronalen Netzes Schritt für Schritt, bis sie nichtlineare Regeln erfüllt; Verstöße schrumpfen unter Standardannahmen exponentiell.
Forschende von Zhejiang University, Meituan und Tsinghua ergänzen das Reinforcement Learning von Agenten um Lehrersignale pro Token, filtern diese aber, damit unzuverlässige Signale das Training nicht entgleisen lassen.
Google DeepMinds Bericht über seinen Agenten zur Algorithmensuche nennt Ergebnisse bei TPU-Design, Spanner, Genomik und Stromnetzen sowie Firmenkunden wie Klarna und FM Logistic.
RESTestBench bewertet von LLMs geschriebene REST-API-Tests danach, ob sie anforderungsspezifische Fehler finden. Vage Anforderungen senken die Werte stark, und Nachbessern am fehlerhaften Dienst verschlechtert sie.
RecursiveMAS verbindet kleine offene Modelle zu einer Schleife, die Hidden States statt Text austauscht. In den Tests der Autoren war es genauer als eine Textschleife und brauchte bis zu 75,6 Prozent weniger Tokens.
Forschende aus Luxemburg zeigen, dass eine gestrichene Vorgabe in einer Programmieraufgabe die Erfolgsquote um bis zu 15,3 Punkte senkt, und trainieren einen kleinen Klassifikator, der solche Mängel erkennt.
AMD-Forschende wandeln vortrainierte Llama- und Qwen-Modelle in Hybride aus Attention- und linearen Schichten um, senken den KV-Cache um mehr als 90 Prozent und verarbeiten bis zu 2 Millionen Token.
Ein neuer Agenten-Benchmark baut seine Aufgaben aus beliebten ClawHub-Skills und bewertet, was Agenten tatsächlich getan haben. Das beste von 13 Modellen bestand 66,7 % von 105 Aufgaben.
Forschende teilen einen LLM-Assistenten für die CNC-Bearbeitung in vier Agenten auf, mit einem Kritiker, der jede Zahl auf ein Werkzeug zurückführt, und testen ihn an 16 Rotorschaufeln aus Titan.
In einem Schiebepuzzle mit Buchstaben traten Bots von zehn Sprachmodellen gegeneinander an. Kimi K2.6 von Moonshot AI mit offenen Gewichten gewann vor MiMo V2-Pro von Xiaomi und GPT-5.5.
Forschende trainierten GPT-2 von Grund auf mit einer Attention, die nur wenige vorherige Tokens sieht. Mit 10 Millionen Wörtern schlug es das Standardmodell bei Grammatiktests, bei 100 Millionen schrumpfte der Vorsprung.
Ein Paper zu ADEMA, einer Architektur für lange LLM-Agentenaufgaben, testet, welche Teile zählen. Nur ohne Checkpoints gab es einen ungültigen Lauf, und das Gesamtsystem war deutlich langsamer.
LinkedIn-Forschende geben jeder GPU-Replik eine leicht andere Lernrate und mitteln alle 1.000 Schritte die Gewichte. Bei einem Produktionsmodell blieb das Training stabil, wo DDP abstürzte.
Ein neuer Benchmark verteilt Olympiade-Aufgaben aus Biologie, Chemie, Mathematik und Physik auf mehrere Bilder. Das beste getestete Modell, Gemini-3-Pro-Preview, kam auf rund 50 Prozent.
Forschende trainieren ein einziges Bild- oder Videomodell, bei dem du die Balance zwischen konkurrierenden Zielen erst bei der Generierung festlegst, statt sie im Training zu fixieren.
Forschende aus Singapur und Hongkong stellen Nemobot vor, eine Chatbot-Plattform, auf der Studierende Spiel-Agenten mit LLM-Aufrufen programmieren, gegliedert nach Claude Shannons vier Typen von Spielmaschinen.
AgentFlow schreibt das Harness, das LLM-Agenten verbindet, anhand von Coverage- und Sanitizer-Daten um. Mit Kimi K2.5 fand es zehn Chrome-Lücken, die Google anerkannt hat.
Ein offenes Framework des Toyota Research Institute trainiert Sprach-, Bild-Sprach- und Roboteraktionsmodelle in einer Codebasis. Die Qwen3-VL-Variante schlug ein älteres Modell in der Simulation um 23 Punkte.
Forschende von ISTA, ETH Zürich und Red Hat AI lernen per Gumbel-Softmax-Sampling, wie jedes Gewicht gerundet wird. Bei 2 Bit behält Llama-3.1-70B in einem Standardformat den Großteil seiner Genauigkeit.
Forschende von Stanford und Google gewichten ein Ensemble aus LLM-Bewertern allein anhand von deren eigenen Scores. FUSE war in den meisten Tests so gut wie Verfahren mit Labels oder besser.