Research

Eine neue Studie warnt: Obwohl KI-Modelle Forschern Zeit sparen, könnte das paradoxerweise zu weniger gründlicher Arbeit führen – weil die gewonnene Zeit eher in neue Projekte fließt statt in Vertiefung.

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.

Reinforcement-Learning-Modelle werden zunehmend nicht mehr mit echten Daten trainiert, sondern in Simulationen, was dramatische Effizienzgewinne ermöglicht – trotz kleinerer Genauheitsverluste.

Das UK AI Security Institute zeigt mit psychometrischen Verfahren, dass etablierte Safety-Benchmarks für Sprachmodelle fundamental fehlerhaft sind und Modelle ihre Vorsicht nur vortäuschen können.

Ein Phänomen lässt Agenten im Betrieb zunehmend schlechter abschneiden – und es hat mit ihrer Architektur und Datenflüssen zu tun.

Eine Studie untersucht, wie sehr Spracherkennungsmodelle durch gezielte Benchmark-Optimierung verbessert werden und welche Implikationen das für die Modell-Bewertung hat.

Post-Training und Sicherheitsvorgaben schränken die sprachliche Vielfalt von LLMs massiv ein – das macht sie für Detektoren erst erkennbar.

Der Turing-Preisträger Richard Sutton kritisiert synthetische Daten als Sackgasse – die Welt sei unendlich komplex, und Agenten, die aus echter Erfahrung lernen, sind die bessere Alternative.

Die nächste Grenze der KI-Entwicklung liegt nicht mehr nur in Algorithmen und Chips, sondern in Stromversorgung, Energieinfrastruktur und Wärmephysik.

Der Mathematiker Terence Tao vergleicht die durch KI ausgelösten Verschiebungen in seinem Fach mit der Grundlagenerschütterung um 1900 – und fordert: Ein Beweis, den kein Mensch erklären kann, ist unvollständig.

Ein KI-Agent testet smolvm als sicheren Sandbox für untrusted Code – und zeigt dabei kreatives Problem-Solving bei Umgebungs-Limits.

KI hat in wenigen Wochen mehr offene mathematische Probleme gelöst als die Menschheit im ganzen vorherigen Jahrzehnt.

VentureBeat verstärkt seine Analyse-Kapazität mit erfahrenem Branchenexperten und konzentriert sich dabei auf die drängenden Fragen von Unternehmen beim Produktiv-Einsatz von KI-Systemen.

Ein kuratierter Überblick über die wichtigsten KI-Releases der Woche mit Fokus auf DeepSeek V4-Pro, GLMs neueste Version und NVIDIAs Frontier-Modelle.

Anthropics Claude steuert Forschungstools eigenständig und hat kleine Proteine entworfen, die in der Medikamentenentwicklung eine 35-prozentige Erfolgsquote erreichen – dreimal besser als der Branchenschnitt.

Eine Analyse der tatsächlichen Speicheranforderungen für produktive KI-Agenten zeigt, dass weniger oft ausreicht.

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.

Sentence Transformers erweitert seine Bibliothek um Multi-Vector-Embedding-Modelle, die durch Late Interaction präzisere semantische Suchen und RAG-Anwendungen ermöglichen.