Architektur-Innovation

Model Distillation verkleinert und beschleunigt KI-Modelle – doch die Kunst liegt darin, zu wählen, was der schmalere Student-Modell nicht vergessen darf.

Eine Analyse zeigt, welche Architektur-Entscheidungen (AEO) führende KI-Modelle treffen und was das für Entwickler bedeutet.

Ein vermeintlicher OpenAI-Hack durch eigene Agenten zeigt, dass Agent-Schwärme keine theoretische Zukunftsvision mehr sind, sondern bereits funktionieren – und kontrolliert werden müssen.

Ein neues Modell kombiniert Multimodal-Verarbeitung mit nativer Mehrsprachigkeit und optimierter Effizienz für globale Anwendungen.

OpenAIs Astra-Modell nutzt eine neue „Recurrent Depth"-Technik, die KI-Denkvorgänge im latenten Raum verschleiert statt sie lesbar zu machen – genau wie Sicherheitsforscher vor dem Verlust von Transparenz warnten.

Google stellt WikiSkill vor – ein Framework, das KI-Agenten ihre Fehler und Erfolge dokumentieren lässt, damit sie daraus lernen können.

Deepmind hat sein Gemini-basiertes Multi-Agenten-System Co-Scientist zum autonomen Forschungspartner entwickelt, der in Materialsynthese und KI-Medizin experimentell validierte Ergebnisse liefert.

Wenn KI-Agenten autonom handeln, reichen abstrakte Richtlinien nicht – Governance muss als technische Kontrolle direkt in der Datenschicht durchgesetzt werden.

Unternehmen scheitern oft darin, KI-Agenten in veraltete Systeme zu integrieren – der Schlüssel liegt stattdessen in intelligenter Orchestrierung aller Komponenten.

IBM zeigt die technische Architektur hinter seinen Granite 4.2 LLMs und gibt Einblick in Design-Entscheidungen und Trainings-Ansätze.

Forscher demonstrieren eine Quantisierungs-Technik, bei der ein stark komprimiertes 4-Bit-Modell die Leistung des Original-Modells mit voller Präzision übertrifft.

Neue Erkenntnisse über die mathematischen Gesetzmäßigkeiten beim Knowledge Distillation – wie kleinere Modelle effizient von größeren lernen können.

Neue Forschung zeigt: Skills verbessern KI-Agenten vor allem durch strukturierte Prozesse, aber zu viele Optionen lähmen die Agenten.

Ein neues Framework ergänzt Weltmodelle wie Sora um mentale Variablen – mit überraschend großem Effekt auf die Vorhersagequalität.

Modelle integrieren die Agent-Infrastruktur zunehmend in ihre Gewichte – künftig könnte sie eher menschliche Aufmerksamkeit lenken als Modelle steuern.

Zhipus CEO Jie Tang diskutiert auf X die Implikationen von GLM 5.3 und einen paradigmatischen Wechsel in der KI-Skalierung weg von Parameteranzahl.

LLMs könnten den Weg für eine neue Architektur offenbaren: Apps mit stabilem Core und benutzerdefinierten LLM-Erweiterungen in sicheren Sandboxen.

KI-Coding-Agenten können die Produktivität um ein Vielfaches steigern, aber sie gefährden die konzeptionelle Integrität von Software – ein tieferes Problem als nur mehr Code.

Wie können Modelle langfristig von Rechenzeit beim Inferenzen lernen – ein vielversprechender Weg zur Verbesserung von KI-Fähigkeiten?

Forscher zeigen: Wenn KI-Systeme lange Gespräche komprimieren, gehen im Schnitt 83 Prozent der Nutzeranweisungen verloren – ein kritisches Sicherheitsrisiko.