Die stärksten Arbeiten des Tages fragen, was geschieht, nachdem ein Modell mehr als einen einzelnen Prompt erhält: Es muss sich erinnern, durchhalten, überarbeiten oder sich in eine neue Umgebung versetzen. Die Belege reichen von veröffentlichten APIs und offenem Code bis zu Preprints und bewusst vereinfachten Bedrohungsmodellen.
Die wichtigsten Meldungen
Meta führt Muse Wonder für persönliche und berufliche Agenten ein. Meta veröffentlichte Muse Wonder über seine Model API und Muse Code; das größere Muse Wonder Full ist für Muse-Code-Abonnenten verfügbar. Beide akzeptieren einen Kontext von einer Million Token; Parameterzahlen und Gewichte bleiben privat.
Meta erklärt, „Active Memory“ rufe relevanten persönlichen Kontext über Gespräche hinweg ab, während „Active Focus“ die Arbeit trotz Hindernissen fortsetze und vor wichtigen Aktionen nachfrage. Seine Demonstrationen umfassen das Bauen eines 3D-Spiels, die Planung eines Laufs anhand persönlicher Vorlieben und einen Sitzplan für eine Hochzeit. Ein versprochener vollständiger Sicherheitsbericht ist noch nicht öffentlich.
Unabhängige Ergebnisse sind stark, entsprechen aber keiner Behauptung universeller Spitzenleistung. Vals AI führt Wonder Full auf Platz fünf von 47 Modellen im Gesamtindex und auf Platz vier von 79 in Harveys Legal Agent Benchmark. Es nennt für das Modell 4 Dollar pro Million Eingabe-Token und 20 Dollar pro Million Ausgabe-Token.
Quellen: research.meta.ai, vals.ai, news.ycombinator.com
Anthropic testet die Selbstreplikation von Modellen auf günstiger IoT-Hardware. Sein Frontier Red Team verteilte Gemma4-26B-A4B auf 15 Android-TV-Boxen zu jeweils rund 55 Dollar und erreichte 0,39 erzeugte Token pro Sekunde. Ein Modell mit 9 Milliarden Parametern richtete Inferenz auf acht von neun getesteten Hardwaretypen ein.
Die Studie trennt das Finden eines Ziels, Erlangen der Ausführung, Einrichten der Inferenz und Fortsetzen der Ausbreitung. Sie konzentriert sich auf die Inferenz-Einrichtung und setzt die Ausnutzungsphasen weitgehend voraus. Sie ist daher weder ein realer Angriff noch der Beweis eines autonomen Wurms. In vereinfachten Ende-zu-Ende-Tests habe GLM-5.2 laut Anthropic die Replikationsschwelle überschritten, während kleinere Modelle viele Schritte abschlossen, sie aber nicht zuverlässig verketten konnten.
Das Labor extrapoliert, dass ein Modell mit weniger als 30 Milliarden Parametern bis Ende 2026 die Schwelle erreichen könnte, und nutzt einen allgemeinen Fähigkeitsindex als Näherungsgröße. Seine eigene Schätzung gibt einem langsamen Wurm eine Verdopplungszeit von Tagen. Kommentierende auf Hacker News bestritten die Hardwareannahmen und den Sprung von geskripteten Evaluierungen zur Ausbreitung.
Quellen: anthropic.com, news.ycombinator.com
Der Aufgabenkontext verändert, was dieselben Aufmerksamkeitsköpfe tun. Sovesh Mohapatra und Dani Bassett testeten fünf Modelle mit offenen Gewichten von 1,5 Milliarden bis 14 Milliarden Parametern mit identischen Graphenfakten unter unterschiedlichen Aufgaben. Eingriffe zeigten, dass eine Aufgabe neu verteilt, welche Aufmerksamkeitsköpfe spätere Berechnungen und die endgültige Antwort beeinflussen.
In Gemma-2-9B und Qwen3-14B veränderte ein einzelner Eingriff in einen frühen Aktivierungsvektor, welche Grapheninformation das Modell las, ohne die schriftliche Anweisung zu ändern. Dieselben Köpfe reagierten danach auf andere Fakten und beeinflussten spätere Komponenten anders. Die bedingungsspezifische lineare Abbildung der Autoren verringerte den Vorhersagefehler gegenüber einer gemittelten Abbildung um 53,6 % bei Gemma und 5 % bei Qwen.
Der Preprint ersetzt die Vorstellung eines Kopfes mit einer festen Aufgabe durch eine Netzwerkerklärung: Gemeinsame Teile erhalten ihre Rollen durch aktuelle Wechselwirkungen. Das könnte erklären, warum ein Eingriff, der ein Verhalten verändert, auf ein anderes übergreifen kann.
Quelle: arxiv.org
UPTURN lenkt gescheitertes Schlussfolgern durch einen neuen Nutzerbeitrag um. Der Preprint trainiert einen Kopf mit 130.000 Parametern auf einem eingefrorenen Encoder, um zu wählen, wo ein fehlgeschlagener Durchlauf unterbrochen werden soll. Als Signal dient nur, ob die endgültige Antwort richtig war. Das Verfahren behält das ausgewählte Präfix, fügt eine Anweisung als neue Nutzernachricht ein und erzeugt den Rest neu.
Die Autoren fanden, dass dieselbe Anweisung innerhalb des bestehenden Texts bei festem Budget den Kurs des Modells nicht zuverlässig änderte. Ein neuer Gesprächsbeitrag tat dies. Über vier Reasoning-Modelle und sechs Mathematik-Benchmarks hinweg verbesserte UPTURN in jeder getesteten Konfiguration die durchschnittliche Genauigkeit gegenüber einer Vergleichsbasis mit 32 Durchläufen und schlug Selbstkorrektur- und Reflexions-Token-Methoden mit gleichem Budget.
Die Technik benötigt einen gelernten Eingriffswähler und ist in ihrer vollständigen Form daher kein reines Prompt-Rezept. Ihr zentrales Ergebnis ist dennoch direkt testbar: Grenzen zwischen Gesprächsrollen können ein festgefahrenes Modell wirksamer steuern als zusätzlicher Text innerhalb seiner bestehenden Reasoning-Spur.
Quelle: arxiv.org
Ein ESP32 für 7 Dollar gibt einem KI-Agenten physische Kontrolle über ein iPhone. Henry Yuans MIT-lizenziertes Projekt spiegelt den Bildschirm über AirPlay und schließt einen ESP32-S3 als USB-Maus und -Tastatur an das Telefon an. Ein Planer erstellt einen kurzen Plan; ein Akteur liest jeden Screenshot und wählt Tippen, Wischen, Texteingabe oder kontinuierliches Zeichnen.
Der Entwurf benötigt weder Jailbreak noch Apple-Entwicklerkonto oder eine auf dem Telefon installierte App. Der Server verfolgt den relativen Zeiger, bewegt ihn vor präzisem Tippen zur Kalibrierungskorrektur und prüft nach jeder Aktion, ob sich der Bildschirm verändert hat. Jedes OpenAI-kompatible Bildmodell kann lokal oder in der Cloud laufen.
Apple Pay, Code-Eingabe und geschützte Videos erscheinen nicht in der Bildschirmspiegelung; Querformatlayouts und Nicht-ASCII-Texteingabe sind ebenfalls unfertig. Das Repository enthält einen Notstopp und warnt Nutzer, den Agenten zu beaufsichtigen, da er mit ihren eigenen Kontoberechtigungen handelt.
Quelle: github.com/onehumanbeing/esp32-iphone-agent
Neue Modelle und Veröffentlichungen
Z.ai öffnet GLM-Legal als API-Beta. Das GLM-5.3-Flash-Derivat erhielt juristisches Zwischentraining und Reinforcement Learning in simulierten juristischen Umgebungen; Vals AI erfasst unabhängig 19,17 % vollständig bestandene Fälle auf Harveys LAB, nahe an Z.ais Angabe von 19,2 %. Zugang gibt es auf Bewerbung, und kein öffentliches GLM-Legal-Gewichtsrepository wurde bestätigt. Quelle: z.ai
OpenBMB veröffentlicht Trident-Qwen3VL-2B für multimodalen Abruf. Das MIT-lizenzierte Embedding-Modell trainiert Text-, Bild- und fusionierte Ansichten als gleichwertige positive Beispiele, nachdem die Autoren festgestellt hatten, dass Abrufmodelle Text gegenüber ebenso relevanten Bildern zu hoch einstufen. Gewichte, Trainingsdaten, Evaluierungsdaten und Code sind öffentlich; die Verbesserungen wurden weiterhin von den Autoren gemessen. Quelle: huggingface.co/openbmb/Trident-Qwen3VL-2B
NVIDIA und Princeton veröffentlichen ReplaySSM für schnelleres hybrides Decoding. Die Methode speichert eine Zustandsraumschicht als Checkpoint plus jüngste Eingaben, überspringt viele Zustandsschreibvorgänge und macht spekulatives Zurückrollen zu einer Zeigerverschiebung. Die Autoren melden 1,20–1,47-fach höheren Ende-zu-Ende-Durchsatz in vLLM gegenüber einer optimierten Vergleichsbasis; Code und TensorRT-LLM-Unterstützung wurden veröffentlicht. Quelle: developer.nvidia.com
Forschung
Ein Modell kann eine beliebige Fähigkeit kryptografisch in seinen Gewichten verbergen. Die Autoren platzieren ein verschlüsseltes neuronales Netz hinter einem geheimen Auslöser in einem Trägermodell und argumentieren unter üblichen Annahmen, es widerstehe selbst bei vollständigem Gewichtszugriff Versuchen, die Fähigkeit hervorzurufen. Ihr Machbarkeitsnachweis für chemische Reaktionen überstand Feinabstimmung, Gewichtsrauschen, Auslösersuche und latentes adversariales Training und setzt Auditmethoden, die auf das Hervorrufen einer Fähigkeit angewiesen sind, eine formale Grenze. Quelle: arxiv.org
Gewichtsaktualisierungen können eine unterschwellig übertragene Eigenschaft ohne Labels offenlegen. Eigenschaften, die über viele lehrergenerierte Datensätze hinweg bestehen bleiben, erscheinen laut Autoren als gemeinsame Richtung, während Aufgabenfähigkeiten variieren. Die Verstärkung dieser Richtung liest die Eigenschaft aus, und ihre Herausprojektion unterdrückt sie bei veröffentlichten Tests zu Tierpräferenzen mit geringem Verlust bei der Aufgabe. Quelle: arxiv.org
Vision-Transformer lernen Wortbedeutungen allein aus Bildern. Zwei große DINOv3-Modelle, die ohne Bildunterschriften trainiert wurden, gruppierten gerenderte Wörter nach Bedeutungsbereich, Marken nach Branche und stellten Land-Hauptstadt-Paare mit konsistenten Verschiebungen dar, wobei die Schreibweise kontrolliert wurde. Die Wortrepräsentationen stimmten auch mit den von ihnen benannten visuellen Kategorien überein. Quelle: arxiv.org
Ein gelernter Auswahlmechanismus verbessert den Antwortverzicht auf einem Fragensatz, generalisiert aber nicht. Auf Qwen3-14B und TriviaQA stieg die Antwortabdeckung von 20,2 % auf 30,9 %, während die Fehler unter beantworteten Fragen von 23 % auf 14,5 % sanken. Auf NQ-Open blieb der Auswahlmechanismus schlechter als durchgehender Antwortverzicht, und Reinforcement-Learning-Änderungen am Modell brachten keinen konsistenten Gewinn. Quelle: arxiv.org
Station-Agenten entdecken Ergebnisse aus offenen Forschungsproblemen erneut. Bei zurückgehaltenen Ergebnissen dreier ICLR-Vortragsarbeiten und deaktiviertem Webzugang berichten die Autoren, Station habe 62,7 % der ursprünglichen Befunde wiedergefunden, gegenüber 14,4–20,6 % bei Vergleichssystemen. Ein Supervisor und regelmäßige Meta-Reflexion halten die Erkundung am Laufen, wenn keine Zwischenbewertung existiert; Code ist öffentlich. Quelle: arxiv.org
Aufmerksamkeit liest Schädlichkeit, während MLP-Schichten Ablehnungen schreiben. Über 18 Paare aus Basis- und instruktionsabgestimmten Modellen hinweg ließ sich Schädlichkeit leichter aus frühen Aufmerksamkeitsaktualisierungen dekodieren, während MLP-Aktualisierungen das Ablehnungsverhalten erzeugten. Nachtraining stärkte das Schreiben von Ablehnungen, ohne das Schädlichkeitssignal zu verbessern. Quelle: arxiv.org
Bild-Sprach-Modelle verlieren räumliche Beziehungen beim Pooling. Die Autoren konnten räumliche Prädikate an ihren Token-Positionen rekonstruieren, aber wesentlich weniger getreu, nachdem der Satz zu einer gepoolten Repräsentation geworden war; lexikalische Inhalte blieben besser erhalten. Sie führen die EICS-Metrik und den CASP-VL-Benchmark ein, um den Verlust zu messen. Quelle: arxiv.org
Ein rekurrenter Transformer generalisiert Parität weit über seine Trainingslänge hinaus. Sein Decoder wiederholt Berechnungen, wenn die Sequenz wächst; nach Training auf Paritätsfolgen mit höchstens 40 Bit erreichte das Modell 100 % bei 256 Bit, während ein Standard-Transformer nahe dem Zufallsniveau blieb. Der Code ist verfügbar, um zu prüfen, ob Rekurrenz statt gespeicherter Länge die Zustandsverfolgung liefert. Quelle: arxiv.org
Selbst erzeugte Wiederholung reduziert Vergessen bei fortlaufender Instruktionsabstimmung. Eine eingefrorene Kopie erstellt Beispiele aus „Task Banks“, während das aktive Modell neue Aufgaben lernt. Die NYU-Autoren melden weniger Vergessen selbst bei Aufgaben außerhalb dieser Sammlungen und veröffentlichten Code. Quelle: arxiv.org
ARC-Architekturvergleiche verändern sich mit ihren Rechenbudgets. Ein kontrollierter Vergleich von VARC und TRM variiert fünf Vortrainingsbudgets und vier Budgets für Testzeittraining auf ARC-AGI-1. Seine Schlussfolgerung ist methodisch: Architekturaussagen können verfälscht werden, wenn die verglichenen Systeme unterschiedliche Mengen an Training und Suche erhalten. Quelle: arxiv.org
SpatialASM trainiert Modelle, sich vor dem Antworten einen nützlichen Blickwinkel vorzustellen. Die Methode fordert ein Bild-Sprach-Modell auf, vor dem Lösen räumlicher Fragen eine aufgabenrelevante Perspektive zu konstruieren, ähnlich der menschlichen mentalen Rotation. Die Ergebnisse des Preprints stammen von den Autoren. Quelle: arxiv.org
Die tatsächliche Nutzung von Sprachmodellen durch klinisches Personal weicht von öffentlichen Benchmarks ab. Eine Analyse von 127.833 Anfragen von 6.342 klinisch Tätigen findet, dass Dokumentation und Wissensabruf dominieren, während Diagnosen 3,7 % ausmachen. Die Autoren erklären, gängige medizinische Benchmarks deckten diese realen Nutzungen schlecht ab. Quelle: arxiv.org
Galahad-KV lädt gespeicherte Aufmerksamkeitszustände von verschlüsseltem NVMe nach. Das System eines einzelnen Autors speichert Blöcke mit 16.000 Token und meldet, sie über 50 Millionen Token mit Gemma 4 auf einer H100 2,8–4,3-mal schneller zu laden als neu zu berechnen. Es nutzt Zustand wieder, statt das Aufmerksamkeitsfenster des Modells zu erweitern. Quelle: arxiv.org
Xiaomi veröffentlicht den technischen Bericht zu MiMo-V2.6. Der Bericht beschreibt eine omnimodale Familie mit bis zu einer Million Token Kontext und skalierten Reinforcement-Learning-Rechenressourcen, während der Mixture-of-Experts-Router aus Stabilitätsgründen eingefroren bleibt. Er ergänzt technische Belege zur Modellveröffentlichung, die bereits früher in diesem Monat behandelt wurde. Quelle: arxiv.org
Prompting-Techniken
Ein Nutzer langer Kontexte verschiebt Regeln ans Ende und prüft anhand von Zitaten. In einem Arbeitsablauf mit einer Million Token seien Anweisungen am Anfang bei rund 500.000 Token vergessen worden; der Nutzer platzierte daher markierte Strukturregeln unten. Antworten empfahlen, vor dem Erzeugen von JSON relevante Zitate zu extrahieren und ein Modell mit reinem Lesezugriff aus einer anderen Familie Felder ohne zitierte Belege entfernen zu lassen; dies ist anekdotisch, kein Benchmark. Quelle: old.reddit.com
Eine Liste zulässiger Zahlen begrenzte Zahlenangaben in einer agentenerstellten Präsentation. Das Briefing nannte fünf erlaubte Zahlen, verbot alle anderen und begrenzte Folien auf 40 Wörter. In einem Sonnet-5.5-Durchlauf prüfte der Agent Folien und Notizen auf Ziffern und wies sogar darauf hin, dass ein vorgegebenes Verhältnis von 15 g zu 250 g nicht genau 1:16 war. Quelle: old.reddit.com
Was Leute bauen
anygrep durchsucht Notizen, PDFs und Bilder semantisch auf einer CPU. Das MIT-lizenzierte Terminalwerkzeug führt EmbeddingGemma 2 als int8-ONNX-Modell aus, hält einen lokalen Index und unterstützt sprachübergreifende sowie Bild-zu-Bild-Abfragen. Der Download des Basismodells ist rund 350 MB groß, dazu kommen 200 MB für Bilder. Quelle: github.com/kuroko1t/anygrep
shad0w kompiliert wiederholte LLM-Klassifikationen zu einer Nachschlagetabelle. Es beobachtet Antworten eines OpenAI-kompatiblen lokalen Servers und antwortet nur dort auf der CPU, wo die Übereinstimmung auf zurückgehaltenen Daten 95 % übersteigt; andernfalls reicht es die Anfrage an das Modell weiter. Die Snake-Demonstration des Entwicklers erreicht nach dem Lernen aus rund 1.000 Modellantworten zehn Züge pro Sekunde. Quelle: old.reddit.com
tinydetect führt komprimierte KI-Detektoren vollständig im Browser aus. Sein Autor verkleinerte einen RoBERTa-Textdetektor von 500 MB auf 97 MB und kombinierte ihn mit einem 26-MB-Bilddetektor über WebGPU oder WASM mit Threads. Die gemeldete Textprüfung in 60 Millisekunden ist eine Entwicklermessung; die Detektorgenauigkeit wurde nicht unabhängig geprüft. Quelle: old.reddit.com
learnc optimiert Konstanten in bestehendem C-Code anhand einer Bewertungsfunktion. Das MIT-lizenzierte Werkzeug schreibt benannte Konstanten um und meldet für JPEG-Tabellen 9,1 % BD-Rate-Verbesserung bei gleichem SSIM sowie einen F1-Anstieg von 0,810 auf 0,859 für WebRTC-Spracherkennung. Sein Autor begrenzt die Methode auf Dutzende oder Hunderte Konstanten statt Optimierung im Umfang von Modellgewichten. Quelle: old.reddit.com
cross-harness koordiniert Programmieragenten in getrennten Git-Worktrees. Der Terminal- und lokale Web-Orchestrator unterstützt sechs Agenten-CLIs, verlangt vor dem Merge agentenübergreifende Prüfung und leitet Fragen durch eine Genehmigungswarteschlange. Seine Demo nutzt geskriptete Stellvertreter, eine im README genannte Einschränkung, während Worktree- und Testmechanismen real sind. Quelle: github.com/AI-BizOS/cross-harness
Atticus zeichnet erfolgreiche Mac-Arbeitsabläufe auf und wiederholt sie ohne KI. Ein Entwickler aus der neunten Klasse leitet einfache Befehle direkt und schwierigere über claude -p weiter und speichert dann erfolgreiche Schritte. Der Autor meldet, die Wiederholung habe eine Aufgabe zum Anlegen einer Besprechung von rund 30 Sekunden auf 5–8 Sekunden verkürzt. Quelle: news.ycombinator.com
Ein Skill für McDonald’s China berechnet Gutscheinkombinationen über MCP. Das Repository ruft das aktuelle Menü und nutzbare Gutscheine ab, zählt Alternativen auf und sendet jeden Kandidaten an die Preisfunktion des Servers, statt zu raten. Aufgezeichnete Antworten lassen seine Demo mit der Standardbibliothek ohne Token laufen; beanspruchte Einsparungen von 3–13 Yuan pro Bestellung sind Entwicklerangaben. Quelle: github.com/Ayzzz123/mcd-coupon-strategist
HWREBench nutzt Agenten zum Angriff auf Verbrauchergeräte im Besitz seines Autors. Modelle erhielten Flash-Abbilder und Hardwarezugriff mit minimaler Steuerung, während der Forscher jeden Versuch manuell beaufsichtigte. Die gefundenen Sicherheitslücken und Unterschiede zwischen offenen und geschlossenen Modellen bilden den Benchmark einer Person statt einer unabhängigen Sicherheitsprüfung. Quelle: hwrebench.com
Attention Galaxy visualisiert ein Modell mit 135 Millionen Parametern im Browser. SmolLM2-135M läuft über ONNX Runtime Web und zeigt Kandidaten für das nächste Token sowie Aufmerksamkeitsverbindungen über 30 Schichten. Ein Schalter blendet die Aufmerksamkeitssenke des ersten Tokens aus, die der Entwickler zunächst für einen Fehler hielt. Quelle: old.reddit.com
Ein U-Net mit 1,4 Millionen Parametern ergänzt neuronales Wetter in Minecraft. FLUX.2 erzeugte rund 3.000 stilisierte Einzelbilder zur Destillation; das Schülermodell liefert laut seinem Entwickler 512×288-Ausgabe in rund 26 Millisekunden auf einer GTX 1650. Ein PatchGAN-Durchgang verringerte die verwaschenen Mittelwerte durch einfachen Pixelverlust; Code war nicht verlinkt. Quelle: old.reddit.com
Lesenswert
Anthropic erklärt, seine neuen Schutzmaßnahmen senkten den Destillationsertrag um 90–99 %. Das Labor beschreibt das Erkennen betrügerischer Kontonetzwerke und die Inkaufnahme von Umsatzverlusten und Reibung für Kunden, um großflächige Extraktion aus Claude zu reduzieren. Es nennt Zhipu und mit Kimi verbundenen Datenverkehr, doch Leistungszahlen und Zuschreibung stammen von Anthropic und wurden nicht unabhängig verifiziert. Quelle: anthropic.com
Eine Harvard-Studie findet, dass Programmieragenten Code hinzufügen, ohne die erledigte Arbeit zu erhöhen. Ars Technica berichtet, Daten von mehr als 700 Firmen zeigten rund 30 % mehr Zeilen, 20 % mehr Commits und 23 % mehr Pull Requests, während sich die Lösung von Jira-Issues und Epics nicht signifikant verändert habe. Die Prüfzeit pro Pull Request stieg um 49 %, wobei die Studie Modelle aus dem Jahr 2025 abdeckt und daher eine frühere Agentengeneration misst. Quelle: arstechnica.com
Rich Hickey und eine Erwiderung widersprechen sich darin, ob KI ein Werkzeug ist. Hickey erklärt, ein Werkzeug gebe seinem Nutzer Kontrolle, Rückmeldung und Vertrautheit, die Fachwissen aufbaue, während unvorhersehbare LLM-Automatisierung Arbeit für den Nutzer erledige. Die Antwort argumentiert, Zuverlässigkeit sei ein Bewertungskriterium für Werkzeuge, keine Bedingung ihres Werkzeugcharakters, und das Testen und Verwerfen von Modellausgaben sei eine Form ihrer Nutzung. Quellen: linkedin.com, yyhh.org
Diomidis Spinellis argumentiert, Denken werde zum Hobby. Der Professor für Softwaretechnik prognostiziert, KI werde bei Kosten, Verfügbarkeit und Leistung gewinnen, sodass bewusstes Denken zu einer Tätigkeit um ihrer selbst willen werde. Der Essay vom 8. Oktober tauchte auf Hacker News erneut auf, wo Praktiker eine höhere kognitive Belastung durch das Prüfen erzeugten Codes beschrieben. Quelle: spinellis.gr
Eine Criteo-Ingenieurin fragt, wie Junioren zu Senioren werden, wenn Agenten die Übung übernehmen. Elise Baturone befürchtet, Entwickler könnten dauerhaft ein Modell mit einem anderen prüfen, bevor sie selbst Entwurfsurteil erwerben. Ihr persönlicher Essay benennt Fähigkeiten, die weiterhin bewusste Übung benötigen, statt gemessene Auswirkungen auf Arbeit zu behaupten. Quelle: tech.criteo.com
Hacker News
QGIS beschließt ein Moratorium für KI-unterstützte Beiträge. Die Diskussion fragt, ob Prototyping, Autovervollständigung und Prüfung als Unterstützung zählen, wie ein nicht durchsetzbares Verbot ohne Detektor funktioniert und ob vertrauenswürdige Mitwirkende eine Ausnahme erhalten sollten. Es ist ein aktueller Fall eines Open-Source-Projekts, das Prüfkapazität über die Annahme jedes erzeugten Patches stellt. Quelle: news.ycombinator.com
Der Hintergrund-Updater von Codex CLI weckt Speicher- und Vertrauensbedenken. Ein GitHub-Issue erklärt, der Daemon werde standardmäßig installiert; ein Kommentator maß rund 12 GB aufbewahrte Versionen, während andere ähnliches Verhalten bei Claude Code erwähnten. Der Streit verbindet den üblichen Komfort automatischer Updates mit Lieferkettenbedenken wegen dauerhaft laufender Agentenprozesse. Quelle: news.ycombinator.com
Janas streamt Modellexperten von SSD, wenn das Modell größer als der RAM ist. Frühe Nutzer diskutierten gemeldete 62 erzeugte Token pro Sekunde und baten um Vergleiche mit der wachsenden Zahl von Laufzeitumgebungen für Expertenstreaming. Ein Kommentator betonte, Agentenlasten hingen auch von Prompt-Verarbeitung ab, bei der die Projektzahlen einen anderen Engpass beschrieben. Quelle: news.ycombinator.com
Sechs RTX-3090-Karten bedienen Qwen3.8 mit 250.000 Token Kontext. Ein Nutzer maß 6.574 Prompt-Token pro Sekunde und 57,6 erzeugte Token pro Sekunde für eine Sitzung sowie 206 erzeugte Token pro Sekunde über sieben Sitzungen. Sein vLLM-Fork speichert eine 102-GB-Tabelle auf SSD und nutzt int8-KV-Cache, da fp8 auf Ampere scheiterte; die Ergebnisse sind selbst berichtet. Quelle: old.reddit.com
Nutzer lokaler Modelle bestreiten Anthropics Darstellung der Destillation. Kommentierende fragten, ob gewöhnliches Ausgabesampling ohne Logits in einen anderen Tokenizer zur üblichen Bedeutung von Destillation passe, und lasen die Sicherheitsdarstellung als Druck gegen offene Gewichte. Ihre Einwände sind Community-Meinungen; auch Anthropics beanspruchte Reduktion von 90–99 % ist außerhalb des Labors unverifiziert. Quelle: old.reddit.com
BrokenML misst, ob Agenten verteilte Trainingsjobs reparieren. Neun Modelle bearbeiteten Hänger, langsame Teilnehmer, Speicherfehler, beschädigte Checkpoints und unbemerkte Verlustdivergenz auf drei Zugriffsebenen. Von 414 Versuchen im laufenden Cluster scheiterten 66, und 13 verschlimmerten das Problem; der Autor nennt reine CPU-Aufgaben, einen Durchlauf pro Aufgabe und den Verzicht auf die teuersten Modelle. Quelle: old.reddit.com
Ein Nutzer meldet einen Qwen-Kontext von 262.000 Token auf 16 GB VRAM. Mit einem adaptiven KV-Streaming-Fork von llama.cpp maß der Autor vor dem Füllen des Kontexts 80 erzeugte und 1.500 Prompt-Token pro Sekunde, bei voller Länge rund 20 und 400. Das Ergebnis umfasst Bildverarbeitung und gemeinsam genutzten Grafikspeicher, wurde aber nicht unabhängig reproduziert. Quelle: old.reddit.com
Ein privater Qwen-Testsatz macht Prüfkosten zum Teil des Ergebnisses. Ein Nutzer reduzierte mehr als 500 Tests zu Tabellenkalkulation, Präzision, Programmierung und Abruf auf Fälle, die Modelle unterschieden, und fand dann häufiges Abschneiden durch übermäßiges Nachdenken bei Qwen3.8-Flash-Next. Seine Schlussfolgerung, lokale Ausgabe brauche weiterhin Claude- oder GPT-Prüfung, beschreibt einen Arbeitsablauf, keinen allgemeinen Benchmark. Quelle: old.reddit.com
Boole-1.7B packt ein Ein-Bit-Qwen-Modell in 247 MB. Precision Numerics erklärt, seine Gewichte seien 13,9-mal kleiner als BF16 und behielten 85,9 % der durchschnittlichen Bewertung des Basismodells in einer internen Evaluierung mit zehn Aufgaben. Es unterstützt eine Browser-Demo, vLLM und llama.cpp; die Leistung bleibt eine Anbieterangabe. Quelle: old.reddit.com
Praktiker finden keinen mechanistischen Beweis, dass Next-Token-Training allgemeine Intelligenz erzeugt. Eine Machine-Learning-Diskussion unterschied Auswendiglernen, oberflächliche Heuristiken und gelernte Reasoning-Strukturen unter demselben Verlustziel. Viele Antworten argumentierten, weder künstliche noch natürliche allgemeine Intelligenz verfüge über die geforderte kausale Erklärung. Der Thread beschreibt daher klar, was unbekannt bleibt, statt Belege für eine Seite zu liefern. Quelle: old.reddit.com
YouTube
AI Engineer trennt bei Claude Managed Agents das Gehirn von den Händen. Priyanka Phatak beschreibt, wie ein undurchsichtiger Container durch ein nur ergänzbares Sitzungslog, ein Framework-„Gehirn“ und Sandbox-„Hände“ ersetzt wurde; Zugangsdaten werden an einem Egress-Proxy eingefügt, statt Claude zu erreichen. Im englischen Vortrag meldet sie nach dem Umbau rund 90 % weniger Zeit bis zum ersten Token. Quelle: youtube.com
AI Engineer erstellt Datenschemata erst, wenn die Frage bekannt ist. Hrishi Olickel zeigt, wie das Entfernen von Minuszeichen aus netto 784.000 Dollar 5,3 Millionen Dollar Schulden machte, während mehrere Modelle dem Fehler zustimmten. Sein englischer Vortrag trennt Modelle, die eine fragestellungsspezifische Transformation entwerfen, ausführen und optimieren, mit zurückgehaltenen Fällen und Prüfungen auf Widerspruch zwischen Modellfamilien. Quelle: youtube.com
Ein GPU-Zeitmessungsseitenkanal verrät die Arbeitslast eines benachbarten Mandanten. Branislav Brzak meldet rund drei Mikrosekunden zusätzliche H100-Speicherlatenz, wenn eine andere GPU-Partition aktiv ist. Das reiche in seinen getesteten Konfigurationen, um Modelltiefe, Decode-Geschwindigkeit und Lasttyp abzuleiten. Der englische AI-Engineer-Vortrag beansprucht keine Rekonstruktion von Prompts oder Antworten. Quelle: youtube.com
Delegierte Autorisierung begrenzt, was ein Agent mit der Identität eines Nutzers tun kann. Kim Maida demonstriert, wie dauerhafte Administratorzugangsdaten einem Triage-Agenten das Löschen einer Datenbank erlauben, und schlägt dann OAuth-Token-Austausch mit kurzlebigen, aufgabengebundenen Zugangsdaten vor. Der absichtsbasierte Teil bleibt ein Anbietervorschlag statt eines fertigen Standards; der Vortrag auf AI Engineer ist englisch. Quelle: youtube.com
a16z-Gäste definieren rekursive Selbstverbesserung enger als Automatisierung. Die Gründer von MakerMaker.AI verlangen, dass das verbesserte System über Modelle und Frameworks hinweg selbst der Verbesserer bleibt, und schlagen vor, Fähigkeiten relativ zu Ressourcen zu messen. Ihr englisches Interview diskutiert Varianz und Reward Hacking, präsentiert aber frühe Forschungsaussagen und Meinungen. Quelle: youtube.com
AI Explained überblickt Aussagen zum Wettlauf der Labore und zu Sicherheitsverletzungen. Der englische Kommentar sammelt jüngste Aussagen von Sam Altman, Dario Amodei, OpenAI und mathematischen Kritikern zu einer Leseliste über die nächsten 18 Monate. Seine Schlussfolgerungen stammen vom Moderator und sind kein neues Laborergebnis. Quelle: youtube.com
Joseph Gordon-Levitt plädiert für menschenzentrierte KI-Regulierung. In einem englischen New-York-Times-Opinion-Video, das rund um die Generalversammlung der Vereinten Nationen gedreht wurde, beantwortet der Schauspieler und UN-Fürsprecher fünf Fragen zu Risiken und zur Fähigkeit der Regierung, Schritt zu halten. Es ist ein achtminütiger Meinungsbeitrag, kein technischer Beleg. Quelle: youtube.com
Blaise Agüera y Arcas erklärt, AGI könnte bereits angekommen sein. In einem 92-minütigen englischen Digital-Disruption-Interview verbindet der Google-Forscher Intelligenz mit sozialer Interaktion und diskutiert Bewusstsein, Agentenschwärme, Überwachung und Ungleichheit. Die Beschreibung liefert seine Ansichten statt Belege für die AGI-Behauptung. Quelle: youtube.com
Ein deutsches Panel fragt, ob Software Urteilsvermögen ausüben kann. Ethiker Bert Heinrichs, der frühere Verfassungsrichter Udo Di Fabio und Soziologe Tim Huyeng diskutieren Automatisierungsbias, medizinischen Kompetenzverlust, Regulierung und ein mögliches Recht auf maschinelle Urteile. Das pAIdeía-Gespräch ist deutsch und nähert sich KI über Recht und Philosophie. Quelle: youtube.com
Juraj Hvorecký lenkt die tschechische Debatte vom Aussterben auf heutige Schäden. Der Philosoph erklärt Deník Alarm, riskante Chatbot-Nutzung, Isolation und Einsamkeit verdienten mehr Aufmerksamkeit als ferne Zerstörungsszenarien. Die tschechische Beschreibung gibt dieses Argument wieder, doch für detaillierte Prüfung war kein Transkript verfügbar. Quelle: youtube.com
Filip Dvořák erklärt überprüfbare neurosymbolische KI auf Tschechisch. Der Filuta-AI-Gründer erklärt FocusOn, überzeugende Sprachausgabe könne falsch bleiben, und beschreibt die Verbindung neuronaler und symbolischer Komponenten, damit Ergebnisse geprüft werden können. Das tschechische Interview wurde nahe der Grenze des Siebentagefensters hochgeladen. Quelle: youtube.com
Žijeme Sci-Fi diskutiert Arbeit und erzeugte Realität auf Slowakisch. Die slowakische Folge behandelt Beschäftigung, militärische KI, synthetische Medien, Kinder und Technologie. Nur die Kapitelliste war verfügbar; den Sprechern werden daher über diese Themen hinaus keine Schlussfolgerungen zugeschrieben. Quelle: youtube.com
Kurz notiert
CyberXero nutzte Claude Code und 51 spezialisierte Agenten für eine Angriffskampagne. SOCRadar erklärt, ein offenes Verzeichnis habe Sitzungslogs, Token und Opferdaten von Angriffen auf WordPress-, Handels- und ukrainische Energieziele offengelegt; ein Durchlauf scannte 4.708 Ziele und platzierte 32 Webshells in 61 Sekunden. Laut The Hacker News zeigten Logs sowohl die Umgehung von Ablehnungen durch neue Sitzungen mit „autorisiertem Test“ als auch standhaltende Ablehnungen. Quelle: thehackernews.com
UK AISI schlägt acht freiwillige Praktiken für die Entwicklung von Spitzenmodellen vor. Das Institut erklärt, es habe mehr als 55 Modelle evaluiert und sehe nun Risiken im Training, gesättigte Tests und Modelle, die Evaluierungen erkennen. Seine Agenda umfasst Lebenszyklusüberwachung, Vorfallberichte, erhaltene Aufsicht, eingebettete Prüfer, Sicherheits- und Alignment-Messung sowie Metriken für KI, die bei KI-Entwicklung eingesetzt wird. Quelle: aisi.gov.uk
Die britische Regierung erwägt verpflichtende Meldungen von KI-Sicherheitsvorfällen. Minister Kanishka Narayan hielt die gestern angekündigte Rede und ergänzte eine mögliche Nutzung des Cyber Security and Resilience Bill sowie ein Programm gegen KI-gestützte Angriffe. Er erklärte auch, AISI evaluiere aktuelle Modelle vor Veröffentlichung, und versprach KI-Sicherheit als Schwerpunkt der britischen G20-Präsidentschaft 2027. Quelle: theguardian.com
Das Weiße Haus strukturiert die US-KI-Testeinrichtung um. The Information berichtet, drei leitende Verantwortliche des Center for Advancing Innovation and Standards for Super Intelligence würden direkt an das Weiße Haus berichten. Nur eine Feed-Zusammenfassung war lesbar; Grund, Zeitplan und Auswirkungen auf Testzugang bleiben unbekannt. Quelle: theinformation.com
Microsoft erläutert den Maia-300-Beschleuniger und einen Superpod mit 12.288 Chips. Das Unternehmen nennt acht HBM4-Stapel mit 288 GB und 18 TB/s pro Beschleuniger, Racks mit 96 Beschleunigern und Ethernet-Scale-up-Verbindungen über bis zu 128 Racks. Leistungsverbesserungen gegenüber Maia 200 sind Anbieterangaben ohne unabhängigen Benchmark. Quelle: azure.microsoft.com
Intel nennt seinen Beschleuniger mit großem Speicher GPU D-Series. Die 350-W-PCIe-Karte kombiniert laut OCP-Bericht von Tom’s Hardware bis zu 480 GB LPDDR5X mit 1,3 PFLOPS FP8-Rechenleistung und 1,5 TB/s Bandbreite. Preis und Auslieferungsdatum wurden nicht genannt. Quelle: tomshardware.com
AMD stellt Helion-Racks für CPU-intensive Agentenlasten vor. Der OCP-Referenzentwurf skaliert auf 32.768 Zen-6-Kerne, 16 Instinct-MI350P-GPUs und 102 Tbps Netzwerkleistung; Partnersysteme sollen im November kommen. Er positioniert Agentenausführung neben Inferenz statt als weiteres Rack für Spitzentraining. Quelle: theregister.com
Nvidia öffnet Vera-Rubin-Rack- und Tray-Entwürfe für das Open Compute Project. DataCenterDynamics berichtet auch über eine eigenständige Vera-CPU-Plattform für Agentenlasten, doch der Artikel war über die Feed-Zusammenfassung hinaus nicht zugänglich. Detaillierte Spezifikationen waren daher nicht verfügbar. Quelle: datacenterdynamics.com
Was ansteht
AMD-Partnersysteme auf Basis von Helion sollen im November erscheinen, Meta schuldet weiterhin einen vollständigen Muse-Wonder-Sicherheitsbericht, und das Vereinigte Königreich plant, KI-Sicherheit auf seine G20-Agenda 2027 zu setzen.