Architektur-Innovation

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.

Ein Überblicks-Guide zu Prefill, Decode, KV-Caches und den Systemen hinter responsiven KI-Produkten.

Forscher zeigen, dass Extended Thinking/Chain-of-Thought Reasoning mit optimierten Techniken effizienter wird und weniger Rechenressourcen benötigt.

Eine technische Analyse zu Kompression, räumlicher Optimierung und Ausrichtung von Diffusions- und Multimodal-Modellen.

Graph Engineering beschreibt die Gestaltung von Multi-Agent-Systemen, die Agenten, Tools, Wissen und Menschen über Netzwerk-Strukturen verknüpfen.

Mit isolierten VM-Umgebungen für jeden Agent lässt sich KI-gesteuerte Softwareentwicklung zu Scale automatisieren – der Mensch tritt nur am Anfang und am Ende ein.