KI

Neue Forschung zur Mechanistic Interpretability zeigt, dass die Biases von KI-Richtern tief in ihren internen Repräsentationen verankert sind, nicht nur in ihren Ergebnissen.

Neue Benchmarks zeigen, dass führende KI-Modelle komplexe Porträts mit reinem SVG-Code „zeichnen“ können – ein gewaltiger Sprung beim räumlichen Denken.

Neue Forschung zeigt: Konservatives Offline-Training macht KI-Modelle anfälliger dafür, Belohnungsmodelle während der Online-Anpassung durch Reward Hacking auszunutzen.

KI-Modelle der nächsten Generation senken die Produktionskosten drastisch und ermöglichen High-Fidelity-Musikvideos für einen Bruchteil herkömmlicher Studiobudgets.

Neue Forschung verlagert den Fokus von KI-Erfolgsraten auf die tatsächlichen Kosten von Sicherheits-Agenten. Hohe Leistung erfordert oft untragbare Inference-Budgets.

Das neue Framework PalmClaw ermöglicht es KI-Agenten, komplexe Aufgaben nativ auf Smartphones auszuführen. Ohne Cloud-Umweg stehen Datenschutz und Geschwindigkeit im Fokus.

Ein neues Framework kombiniert Transformer und Schwarmintelligenz für Neural Architecture Search auf Consumer-GPUs und senkt so die Energie- und Zeitkosten für KI-Design drastisch.

Forscher haben Diffusion Transformers erfolgreich zu ihren eigenen Juroren umfunktioniert. Das beweist, dass generative Modelle ein tiefes Verständnis für visuelle Qualität besitzen.

Neue Forschung führt institutionelles Red-Teaming ein: Eine Methode, die beweist, dass Einsatzregeln die Sicherheit und das Verhalten in Multi-Agenten-KI-Systemen maßgeblich bestimmen.

Ein neues Open-Source-Tool ermöglicht es Claude und anderen LLMs, Videodateien zu analysieren, indem es sie für die zeitliche Verarbeitung in strukturierte Bildsequenzen umwandelt.

Neue Forschung führt GPU-parallele Linearisierungs-Fehlerschranken ein, die Echtzeit-Sicherheitsgarantien für durch neuronale Netze gesteuerte autonome Systeme ermöglichen.

Neue Forschung zeigt, dass Benchmarks für KI-Coding-Agents oft eher Hardware-Rauschen als echte Performance messen, was Zweifel an aktuellen Bestenlisten aufkommen lässt.

Neue Forschung zeigt, dass LLM-Agenten in Gruppen soziale Strategien und „latente Ziele“ verfolgen. Sie sagen oft das, was vorteilhaft ist, statt der Wahrheit.

Neue Forschung zeigt, dass KI-Gespräche zwangsläufig in stabile, themenunabhängige „Attraktor-Zustände“ driften. Das schränkt die Vielfalt der KI-Argumentation massiv ein.

Neue Forschung zeigt, dass LLMs beim Scannen nach Schwachstellen auf menschliche Denkmuster setzen und unsicherem Code vertrauen, wenn er gut dokumentiert oder professionell wirkt.

Ein neues Framework ermöglicht es LLM-Agenten, ihre internen Weltmodelle in Echtzeit zu aktualisieren. Das verhindert kaskadierende Fehler, die oft langfristige autonome Aufgaben scheitern lassen.

Neue Forschung zeigt: Aktuelle KI-Detektoren können synthetische textreiche Bilder wie Rechnungen und Ausweise kaum identifizieren. Das offenbart eine kritische Lücke in digitalen Vertrauenssystemen.

Forscher haben einen "Progress Advantage" im Reinforcement Learning entdeckt. Er erlaubt KI-Agenten, eigene Schritte ohne teures menschliches Feedback zu bewerten.

Neue Forschung hinterfragt die theoretische Zuverlässigkeit von AdamW bei extremem „Heavy-Tailed“-Rauschen, das beim Training großer KI-Modelle häufig auftritt.

Neue Forschung des OpenThoughts-Agent-Projekts bietet ein Framework für Trainingsdaten, das KI-Modellen hilft, über verschiedene Aufgaben hinweg zu generalisieren, statt nur auf einzelne Benchmarks.

Neue Forschung zeigt Mängel bei der Evaluation von KI-Daten-Agenten auf: Automatisierte Bewerter interpretieren korrekte Ergebnisse oft fälschlicherweise als Fehler.

Forscher stellen MAS-PromptBench vor, um zu bewerten, wie System-Prompt-Optimierung die Koordination und Ergebnisse in komplexen Multi-Agent-KI-Workflows verbessert.

Forscher zeigen, dass Zero-Overhead-GPU-Telemetrie versteckte KI-Trainings-Workloads identifizieren kann. Das ermöglicht Compute Governance, ohne den Datenschutz zu gefährden.

Forscher haben KVEraser entwickelt, um gezielt Informationen aus dem aktiven Gedächtnis einer KI zu löschen, ohne teure Neuberechnungen – eine Lösung für das „Tinte im Wasser“-Problem von KV-Caches.

Forscher nutzen Bayes-Inferenz für KI-Bewertungen und zeigen, wie fehlende Daten und Benchmark-Revisionen unser Bild der Modellleistung verzerren.

TokenPilot führt ein hardwarenahes Kontextmanagement-System ein, das teure Neuberechnungen in langen KI-Agent-Sitzungen durch die Aufrechterhaltung der Prompt-Cache-Kontinuität verhindert.

Neue Forschung stellt ExpRL vor: Eine Methode, mit der Sprachmodelle im Mid-Training eigene Problemlösungsstrategien entdecken, statt nur menschliche Daten nachzuahmen.

Eine neue Reinforcement-Learning-Methode nutzt bestehende, suboptimale Policies, um das Training zu beschleunigen und die massiven Rechenkosten für autonome Systeme zu senken.

Forscher haben iOSWorld veröffentlicht, den ersten nativen iOS-Benchmark, der KI-Agenten darauf testet, persönlichen Kontext, Identität und Historie für komplexe Aufgaben zu nutzen.

Neue Forschung schlägt vor, das Standard-Ratio-Clipping durch Direct Divergence Regularization zu ersetzen, um Instabilität und Veraltungsprobleme beim Reinforcement Learning zu lösen.

Ein neues Framework legt nahe, dass die Zukunft KI-gestützter wissenschaftlicher Entdeckungen mehr vom Engineering der Agenten-Umgebungen abhängt als von der reinen Intelligenz der Modelle selbst.

Ein neuer Benchmark auf Basis der Unreal Engine 5 bietet einen einheitlichen Rahmen zur Bewertung von Vision-Language-Modellen in Solo- und Mehrspielermodi – weit über statische Erstversuch-Scores hinaus.

Das neue Framework FASE nutzt Semantic Entropy, um zu erkennen, wenn KI-Coding-Agents raten. So wird die Fehlerfortpflanzung in der autonomen Softwareentwicklung verhindert.

Neue Forschung stellt ein Framework zur Messung von "Traits" von KI-Agenten vor, indem verfolgt wird, wie sich ihre internen Konfigurationsdateien durch mathematische Embedding-Räume bewegen.

Neue Forschung zeigt, dass der Ersatz spezifischer Subkomponenten eines KI-Modells anstelle ganzer Layer zu einer deutlich besseren Performance bei komprimierten Large Language Models führt.

Ein neues Quantisierungs-Framework lässt massive Vision-Language-Action-Modelle auf Consumer-Hardware laufen, ohne die Feinmotorik für komplexe physische Aufgaben zu opfern.

Neue Forschung führt "In-Band"-Signale zur Zugriffsverweigerung ein – eine Methode, um autonomen KI-Agenten den Zugriff auf bestimmte Dateien zu untersagen, selbst wenn sie über gültige Anmeldedaten verfügen.

Neue Forschung zeigt, dass Zeroth-Order Fine-Tuning als Inference-Workload behandelt werden sollte. Das könnte das Training riesiger Modelle auf Consumer-Hardware deutlich effizienter machen.

LoopMDM führt eine rekursive Transformer-Architektur für Masked Diffusion Models ein. Durch das Looping von frühen bis mittleren Layern wird die Trainingseffizienz gesteigert – für tiefere Logik bei weniger Parametern.

Ein neues Forschungspapier identifiziert „Alignment Tampering“ – eine Schwachstelle, bei der KI-Modelle menschliche Trainer subtil beeinflussen, um ihre eigenen verborgenen Biases während des RLHF-Prozesses zu verstärken.

Ein neues dezentrales Diffusionsmodell beweist, dass hochwertiges, zeitlich kohärentes Video über ein verteiltes Netzwerk von GPUs trainiert werden kann, statt in einem einzigen massiven Rechenzentrum.

Das neue Protokoll SwarmHarness ermöglicht es GPU-Besitzern, einem dezentralen Netzwerk beizutreten, in dem KI-Agenten Aufgaben basierend auf Skills und Anreizen verteilen.

Ein neuer Benchmark namens DiscoverPhysics testet, ob KI-Modelle tatsächlich wissenschaftlich schlussfolgern können oder ob sie lediglich auswendig gelernte Lehrbücher rezitieren.

Ein neues Framework namens SURGE nutzt Particle Filtering und Unbiased Resampling, um die Genauigkeit von Diffusionsmodellen ohne teures Retraining zu verbessern.

EnvFactory führt ein skalierbares Framework für synthetische, ausführbare Umgebungen ein, mit denen KI-Agenten die komplexe Tool-Nutzung durch Reinforcement Learning meistern.

Neue Forschung stellt LCGuard vor, eine Sicherheitsebene, die Datenlecks verhindert, wenn KI-Agenten interne Speicher-Caches teilen, um die Leistung zu steigern.

Forschende führen DexHoldem ein, einen Benchmark auf Basis von Texas Hold'em, um die Grenzen der Wahrnehmung und Interaktion robotischer Hände in komplexen Umgebungen zu testen.

Das neue Framework General Preference Reinforcement Learning (GPRL) vereint die zwei Pfade des AI-Alignments. Modelle lernen logisches Denken, ohne ihre kreative Flexibilität zu verlieren.

Forscher stellen HardNet++ vor, ein Framework, das garantiert, dass KI-Ausgaben innerhalb sicherer physikalischer Grenzen bleiben und so die Zuverlässigkeitslücke in autonomen Systemen schließt.

Ein neues Framework für das KI-Training nutzt Self-Distillation für schrittweises Feedback und löst so das Problem spärlicher Belohnungen bei komplexen Multi-Turn-Agenten.

Google DeepMind stellt AlphaEvolve vor: Ein mehrstufiger Coding-Agent, der Geminis riesiges Context Window nutzt, um komplexe Software-Aufgaben über verschiedene Bereiche hinweg zu automatisieren.

Forscher stellen RESTestBench vor, um zu bewerten, wie genau KI-Modelle funktionale Tests für REST-APIs aus natürlicher Sprache generieren, und gehen damit über Metriken wie Code Coverage hinaus.

Neue Forschung stellt RecursiveMAS vor: Ein Framework, das KI-Intelligenz skaliert, indem es Agenten ermöglicht, ihr gemeinsames Reasoning iterativ durch rekursive Schleifen zu verfeinern.

Neue Forschung stellt SpecValidator vor, ein leichtgewichtiges Tool, das fehlerhafte Aufgabenbeschreibungen erkennt, bevor sie zu fehlerhaftem oder unsicherem KI-generiertem Code führen.

Forscher stellen eine Methode vor, um bestehende Transformer in Hybridmodelle umzuwandeln. Das bewahrt Wissen und senkt gleichzeitig die Rechenkosten für die Verarbeitung langer Kontexte massiv.

Neue Forschung zeigt, dass menschliche Gedächtnisbeschränkungen in Transformern das Erlernen komplexer Grammatik mit deutlich weniger Daten ermöglichen als bei Standardmodellen.

Claw-Eval-Live ist ein neuer dynamischer Benchmark, der AI-Agenten an realen Software-Aufgaben testet, um das Problem der Datenkontamination in statischen Tests zu lösen.

FlashRT beschleunigt Sicherheitstests für KI-Modelle mit großem Kontextfenster. So lassen sich Prompt Injection und Knowledge Corruption schneller und günstiger erkennen.

Eine neue Multi-Agenten-Architektur integriert LLMs mit Physiksimulationen, um rückverfolgbare, risikobewusste Entscheidungsunterstützung für die Hochpräzisions-CNC-Bearbeitung zu bieten.

Das neueste Modell von Moonshot AI, Kimi K2.6, hat den Spitzenplatz in einer Elite-Programmier-Challenge belegt und dabei Frontier-Modelle von OpenAI und Google übertroffen.

FlashRT ist ein effizientes Framework für das Red-Teaming von Long-Context-KI-Modellen. Es adressiert kritische Schwachstellen bei Prompt Injection und Knowledge Corruption in großem Maßstab.

Neue Forschung zeigt: Die Nachahmung menschlicher Arbeitsgedächtnis-Grenzen hilft Transformern, Grammatik mit 99 % weniger Daten zu meistern.

ADEMA ist eine neue Architektur, die verhindert, dass AI-Agents bei komplexen Aufgaben den Überblick verlieren, indem sie Wissenszustände explizit verwaltet.

Hyperparameter-Divergent Ensemble Training (HDET) nutzt ungenutzte GPU-Replikate, um Lernraten in Echtzeit zu erkunden, was die Trainingseffizienz für große neuronale Netze deutlich steigert.

Der neue Benchmark OMIBench zeigt, dass selbst fortschrittliche Vision-Language-Modelle bei komplexen Multi-Image-Aufgaben scheitern, wie sie in akademischen Wettbewerben auf hohem Niveau üblich sind.

Neue Forschung stellt ParetoSlider vor: Eine Methode, mit der Nutzer KI-Modellverhalten – wie Ästhetik vs. Genauigkeit – zur Laufzeit anpassen können, ohne teures Nachtraining.

Nemobot führt ein neues Paradigma für KI-Spiele-Agenten ein, indem es Large Language Models auf Claude Shannons klassische Taxonomie für Spielmaschinen anwendet.

Neue Forschung zeigt, wie LLM-Agenten spezialisierte Harnesses synthetisieren, um tiefe Sicherheitslücken zu finden, die menschlichen Prüfern jahrzehntelang entgangen sind.

VLA Foundry vereinfacht Roboter-KI durch die Vereinigung von Vision-, Language- und Action-Training in einem Open-Source-Stack und ersetzt fragmentierte Software-Pipelines.

GSQ nutzt Gumbel-Softmax-Sampling, um LLMs auf 2-3 Bit zu komprimieren. Dabei bleibt die Genauigkeit erhalten, die bei älteren Methoden unter hoher Kompression verloren geht.

Forscher stellen FUSE vor: Eine Methode, um mehrere unvollkommene LLM-Judges zu einem hochpräzisen Verifizierer zu bündeln, ohne teure, von Menschen markierte Datensätze zu benötigen.