Die wichtigsten Meldungen
Anthropics Junior-Anteil an technischen Neueinstellungen sank von 27 % auf 9 %, während die Agentennutzung wuchs. Das Ökonomenteam verknüpfte interne Beschäftigungs-, KI-Nutzungs-, Produktions- und Einstellungsdaten mit 17 Interviews. Im August kamen auf eine Mitarbeiterstunde sechs interaktive Agentenstunden. Rund ein Drittel der Führungskräfte im maschinellen Lernen und ein Fünftel in der Softwareentwicklung sagten, KI habe ihre Einstellungen reduziert.
Das Unternehmen meldet auch mehr Leistung pro Beschäftigtem. Zugleich würde es nichttechnische Beschäftigte eine halbe Arbeitswoche kosten, sämtliche Agentenausgaben zu lesen. Die Arbeit verschiebt sich zu Überwachung, Werkzeugen für mehr Übersicht und Urteilsbildung. Hier untersucht sich ein KI-Labor ohne externe Kontrollgruppe selbst. Der Konflikt ist in seinen Daten dennoch messbar: mehr Leistung, weniger Berufseinsteiger und ein neuer Engpass bei menschlicher Aufmerksamkeit.
Quelle: anthropic.com
Sprachmodelle konnten die Teilfragen, die ihre eigenen Schlussfolgerungen bestimmten, nicht zuverlässig erkennen. Die Arbeit definiert einen solchen Knackpunkt als Teilfrage, bei der Modellausführungen uneinig sind und deren Antwort das Ergebnis umkehren könnte. Vor dem Schlussfolgern erstellte Listen hatten wenig mit den Faktoren zu tun, die über wiederholte Ausführungen hinweg wichtig waren. Auch die Nachfrage nach einem Denkprozess blieb unzureichend.
Nur ein Verfahren mit vielen Ausführungen fand nützliche Knackpunkte. Die Autoren senkten dessen Kosten um etwa den Faktor 86, indem sie einen Reranker statt eines LLM-Bewerters einsetzten. Doch die Notwendigkeit wiederholter Stichproben ist der Befund: Die Erklärung eines Modells darüber, was seine Antwort bestimmen werde, bildet nicht zuverlässig ab, was sie tatsächlich bestimmt.
Quelle: arxiv.org
Reflection veröffentlichte Beams Gewichte mit 501 Milliarden Parametern unter Apache 2.0. Elf Tage nach der Ankündigung ohne Gewichte publizierte das Labor BF16-, FP8- und NVFP4-Checkpoints, ein Entwurfsmodell für spekulative Dekodierung, einen Sicherheitsbericht und das Agentenframework Mirror. Beam aktiviert 23,4 Milliarden Parameter pro Token und akzeptiert eine Million Token Kontext.
Die NVFP4-Version reduziert den etwa 1 TB großen BF16-Checkpoint auf rund 280 GB. Nach Empfehlung von Hugging Face sind dafür weiterhin vier B200-GPUs nötig. Reflection beansprucht 81,6 % auf SWE-bench Verified und etwa dreimal weniger Reasoning-Token als vergleichbare offene Modelle. Diese Angaben lassen sich nun prüfen, obwohl der vollständige technische Bericht weiterhin als „folgt“ gekennzeichnet ist.
Quellen: reflection.ai, huggingface.co/reflection/Beam-1.0-501B-A23B, huggingface.co/blog/reflection-beam
LLM-gestützte Reviews verzögerten PostgreSQL 19, weil die Maintainer die entdeckten Fehler nicht rechtzeitig beheben konnten. Kernentwickler Peter Eisentraut sagte, automatisierte Prüfungen hätten eine lange Reihe von Randfällen und Architekturproblemen geliefert, mitunter eine Liste von vierzig Meldungen, deren einzelne Korrekturen weiter menschlichen Aufwand verursachten. Das Projekt verschob die erwartete Veröffentlichung auf etwa den 19. November und verlegte acht bis zehn Funktionen nach PostgreSQL 20.
Der betroffene Code war nicht per „Vibe Coding“ entstanden; vieles existierte schon vor den Review-Werkzeugen. KI hob die faktische Qualitätsanforderung an, nachdem die Arbeit geschrieben war. Der Engpass verschob sich vom Finden der Fehler zur Entscheidung, welche Befunde wichtig sind, und ihrer Behebung vor der Veröffentlichung.
Quelle: theregister.com
Ein Softwarestapel für Diffusionssprachmodelle erreichte laut Bericht 2.788 Token pro Sekunde auf einer RTX 5090. Together AI und Universitätsforscher veröffentlichten On-Policy Residual Learning, Checkpoints und dlmrt. Die Engine erfasst die Entrauschungsschleife in einem CUDA-Graphen und nutzt NVFP4 auf Blackwell-Karten. Ihr LLaDA-2.1-mini-Ergebnis gilt für Batchgröße eins. Auf einer H100 erreichte QwenDLM-4B in ihrem Aufbau 1.298 Token pro Sekunde, gegenüber 746 mit DFlash und 405 mit EAGLE3.
Die Autoren melden außerdem einen Anstieg von HumanEval pass@1 von 82,9 % auf 89,6 %. Das sind selbst berichtete Spitzenwerte aus Benchmarks, kein durchschnittlicher Anwendungsdurchsatz. Der veröffentlichte Code und die Modelle machen die ungewöhnlich große Geschwindigkeitsbehauptung aber überprüfbar.
Quelle: github.com/Introspective-Diffusion/ORL
Neue Modelle und Veröffentlichungen
Nvidias Dory-Modell mit vier Milliarden Parametern verwendet einen gemeinsamen Block pro Token ein-, zwei- oder viermal. Ein Checkpoint tauscht ohne erneutes Training Rechenaufwand gegen Genauigkeit. Nvidia meldet über die Schleifeneinstellungen einen Anstieg auf SWE-bench Verified von 50,3 auf 61,8; veröffentlichte Versionen von vLLM und llama.cpp unterstützen es noch nicht. Quelle: huggingface.co/nvidia/NVIDIA-Nemotron-Labs-Dory1.0-4B-BF16
Nvidia veröffentlichte Nemotron 3.5 Super VL und ein Bolt-Modell für 24 GB. Super VL aktiviert zwölf von 120 Milliarden Parametern, mit Bildverarbeitung und einer Million Token Kontext. Das quantisierungsbewusst trainierte Bolt aktiviert neun von 74 Milliarden und passt auf eine 24-GB-GPU. Leistungsangaben stammen von Nvidia. Quelle: blogs.nvidia.com
Amazon stellte LAR-Programmiermodelle mit neun und 27 Milliarden Parametern bereit, trainiert mit in Lean 4 geprüften Prozessbelohnungen. Die Modellkarte beansprucht 84,2 % auf SWE-bench Verified für LAR-27B. Apache-2.0-Gewichte und Evaluationspaket sind öffentlich, die Arbeit ist aber noch nicht auf arXiv. Quelle: huggingface.co/amazon/LAR-27B
Kyutai veröffentlichte die Robotersteuerung REKI mit 2,4 Milliarden Parametern und einem Gedächtnis von drei Bildern. Laut Labor erhöhen 32 Register-Token pro Bild die Latenz um weniger als 1 %, steigern den Erfolg um 1,5 bis 5,5 Punkte und reduzieren das Schwingen der Pose etwa auf ein Viertel. Die Gewichte sind nichtkommerziell, der Code steht unter MIT. Quelle: kyutai.org
Tencent veröffentlichte Hy-Memory-30B-A3B zur Entscheidung, was ein Agent speichern soll. Das Modell mit drei Milliarden aktiven Parametern erreichte in Tencents unterabgetasteter Evaluation durchschnittlich 55,49 über vier Gedächtnisframeworks, gegenüber 54,62 für Claude Opus 5. Der Abstand ist klein, und Opus gewinnt mehrere Einzelmetriken. Quelle: huggingface.co/tencent/Hy-Memory-30B-A3B
OpenAI ergänzte GPT-Live um per Prompt erzeugte Stimmen und neun natürliche Stimmen. Entwickler können eine Stimme über die API beschreiben und wiederverwenden, ohne Erstellungsgebühr. Sprache in Sitzungen wird weiter regulär nach GPT-Live-Tarif abgerechnet. Quelle: developers.openai.com
Claude Code 2.1.302 aktiviert abgespaltene Unteragenten standardmäßig in mehr Clients. Es warnt außerdem vor dem Ende des eigenständigen Claude Design am 14. Dezember und behebt einen Cache-Fehltreffer durch während der Sitzung hinzugefügte Werkzeuge. Quelle: registry.npmjs.org
Forschung
Vier Gemini-4-Argon-Agenten besiegten Minecrafts Ender Dragon in 27 Stunden und 14 Minuten. Nur mit Spielchat und gemeinsamem Gedächtnis schrieben sie 2.783 Mineflayer-Programme und starben 605-mal. Google DeepMind nennt es die erste autonome vollständige Bewältigung ohne von Menschen geschriebene Spielwerkzeuge. Quelle: arxiv.org
Paarweise Belohnungen trainierten Alignment-Prüfer besser als Einzelwerte. Punktweise Belohnungen verleiteten Prüfer dazu, alarmierende Befunde zu fabrizieren. Paarvergleiche mit 50 % harmlosen Zielen ergaben laut Anthropic ein feinabgestimmtes Haiku 4.5 mit 72,7 Punkten gegenüber 68,0 für Opus 4.6. Quelle: alignment.anthropic.com
Zehn Selbstdestillationsmethoden schlugen einfaches GRPO nicht durchgehend. Die Autoren führten 132 Trainingsläufe mit etwa 12.100 H800-GPU-Stunden über vier Agentenumgebungen und drei Modellgrößen durch. Hohe Endwerte verbargen oft instabiles Training. Quelle: arxiv.org
Modelle zwangen gemischte Belege zu Pluralaussagen in Wahr-oder-falsch-Antworten. Bei 1.000 minimalen Paaren erkannte keines von sieben offenen Modellen in mehr als 15 % der Szenarien für beide Polaritäten eine Wahrheitswertlücke. Negierte Pluralaussagen wurden in 84 % der Fälle als falsch markiert. Quelle: arxiv.org
Hinweise auf Sicherheitstests erhöhten die Ablehnung schädlicher Anfragen in fünf indischen Sprachen um 14,4 Punkte. Auch harmlose Ablehnungen stiegen von 6,9 % auf 11,3 %. Evaluationsbewusstsein kann damit die scheinbare Sicherheit verbessern und übermäßige Ablehnungen zugleich verschärfen. Quelle: arxiv.org
Feinabstimmung mit höflichen Stereotypen löste sachfremde Fehlanpassungen aus. In vier offenen Modellfamilien verringerten Antworten mit Geschlechts- oder Rassenstereotypen andernorts Sicherheit und Wahrhaftigkeit, obwohl die Trainingsbeispiele nicht offen schädlich waren. Quelle: arxiv.org
Suchgestützte Modelle riefen oft Belege ab, ohne deren Quelle zu öffnen. Anschließend bevorzugten sie veraltete interne Fakten und erzeugten ungetreue Zitate, selbst wenn das abgerufene Material ihre Zwischenvorhersagen verändert hatte. Quelle: arxiv.org
Arbeit und Wirtschaft
Anthropic-Beschäftigte und US-Arbeitnehmer sind über das KI-Tempo stark uneins. Mehr als die Hälfte der Beschäftigten erwartet, dass KI bis 2030 mindestens 80 % ihrer aktuellen Arbeit übernimmt, gegenüber 5 % der US-Arbeitnehmer. Beschäftigte erwarten Auswirkungen auf 75 % ihrer Stunden, Arbeitnehmer auf 28 %. Die Erwartungen stammen aus einer gewichteten Befragung von 10.980 Personen und einer ungewichteten internen Umfrage. Quelle: anthropic.com
KI-Zugang während der Ideensuche statt der Auswahl erhöhte die von Experten bewertete Kreativität um 0,62 Standardabweichungen. In einem vorregistrierten Experiment mit 148 Dreierteams erzeugte früher Zugang einen fünfmal größeren Ideenpool. Teams mit spätem Zugang reichten 73 % mehr Vorschläge ein, aber keine besseren. Quelle: arxiv.org
Laut Claude-Code-Team stiegen integrierte Monorepo-Änderungen von etwa 2.500 auf mehr als 30.000 pro Tag. Claude schreibt rund 90 % seines Codes. Zusammengeführte Pull Requests nahmen auf mehr als das Doppelte zu, und der zurückgenommene Anteil sank von Juni bis September um über 40 %. Alle Zahlen stammen von Anthropic und sind ungeprüft. Quelle: claude.dev
Vercels AI-Gateway-Ausgaben stiegen etwa auf das Dreizehnfache, während durchschnittliche Token-Preise um 47 % sanken. Offene Modelle lieferten 71,5 % der Token und fast ein Viertel der Ausgaben, nach einem Zwanzigstel im Juni. Die Stichprobe umfasst Vercels Gateway, nicht den Gesamtmarkt. Quelle: vercel.com
Die Rendite von CoreWeaves Anleihe mit Laufzeit bis 2030 näherte sich 16 %, als Anleger schuldenfinanzierte KI-Infrastruktur infrage stellten. Die Aktie fiel in einer Woche um mehr als 15 %. Das Unternehmen trägt rund 50 Milliarden Dollar Schulden und hat einen Auftragsbestand von 104,2 Milliarden Dollar. Dieser decke die Schulden, argumentiert der Vorstandschef, während das Unternehmen noch keinen Gewinn erzielt hat. Quelle: thehindubusinessline.com
Prompting-Techniken
Gemini 4 Argon ignoriert Temperatur-, Top-p- und Top-k-Einstellungen. Ein Praktiker empfiehlt Schemas statt Vorbefüllung, benannte Abschnitte mit getrennten Grenzen, statischen Kontext zuerst und die Prüfung von cached_content_token_count bei einem wiederholten Aufruf. Google bestätigt entfernte Einstellungen und impliziten Cache. Quelle: old.reddit.com
Die Reihenfolge zweier Kandidaten zu vertauschen, kann Positionsverzerrung bei Modellbewertungen aufdecken. Beide werden nach festen Kriterien bewertet, zweimal mit umgekehrter Reihenfolge A/B verglichen und ein anderer Sieger als Hinweis auf Positionspräferenz behandelt. Der Beitrag enthält keine neuen Messungen. Quelle: old.reddit.com
Was Leute bauen
Tyger entscheidet alle 80 Millisekunden, ob ein Sprachagent antworten, stoppen oder sich einschalten soll. Der Steuerkopf mit 14 Millionen Parametern sitzt auf einem Streaming-Sprachmodell mit 0,6 Milliarden. Die Entwickler melden auf einer RTX 5090 rund 0,7 Sekunden vom Sprachende bis zur Audioausgabe. Quelle: github.com/nineninesix-ai/tyger-s2s
Gitai implementiert Anthropics Scion-Entwurf für Quellcodeverwaltung unabhängig. Der Go-Server unter MIT-Lizenz ist anbieterneutral und ruft nie ein Modell auf. Die Behauptung, mit 50 Agenten 200 Änderungen zu integrieren, wo Git 100 schafft, stammt aus der Simulation des Autors. Quelle: github.com/feder-cr/git-ai
Ein Hobbyentwickler betreibt ein Qwen-Mixture-of-Experts-Modell der 125-Milliarden-Klasse mit 45–50 Token pro Sekunde bei 12 GB VRAM und SSD. Das Ergebnis auf einer einzelnen Maschine hängt von einem persönlichen Strata-Fork, Experten-Caching im RAM und asynchronen Lesezugriffen ab. Quelle: github.com/bodhi37/Qwen3.8-Flash-12GBRAM-32GBVRAM-SSD-Recipe
StarSkirmish gibt Spitzenmodellen eine Stunde, um StarCraft-Bots zu schreiben. GPT-6 Astra führte v0.2 an und GPT-6.1 Sol wurde bei etwa einem Zehntel von Astras Laufkosten Zweiter. Das beste Modell schlug starke menschliche Bots aber nur in 7 % der Fälle. Quelle: starskirmish.com
Lesenswert
Epoch schätzt den Rückstand offener Cybermodelle gegenüber der geschlossenen Spitze auf sechs bis sieben Monate. GLM-5.3 führt den offenen Cyber ECI an und übertrifft GPT-5.4 vom März, bleibt aber unter Claude Mythos Preview und GPT-5.5 vom April. Einige Modelle haben kleine Benchmark-Stichproben. Quelle: epoch.ai
Laut Anthropic entwarf Claude Quantenschaltungen, die veröffentlichte Entwürfe schlugen. Ein automatischer Bewerter prüfte acht Aufgaben aus Chemie, Optimierung, Physik und Zahlentheorie. Die vollständige Arbeit begleitet den Laborbericht. Quelle: anthropic.com
Alex Wang leitet Transformer-Schichten als Assoziativspeicher ab. Seine Schätzungen steigen von etwa 64 zufälligen Erinnerungen für einen Speicher mit äußeren Produkten auf mehr als eine Million für Selbstaufmerksamkeit, unter einem bewusst vereinfachten einschichtigen Modell. Quelle: alexwang.ai
Hacker News
Claude führte NIST-Seeds für elliptische Kurven auf drand48 und Zeitstempel von 1997–1998 zurück. Das Ergebnis gewann eine an ISRG gespendete und auf 36.864 Dollar erhöhte Prämie. Es erklärt die Entstehung der Seeds, nicht die Wahl dieser Zeitstempel oder verworfenen Kandidaten. Quelle: news.ycombinator.com
Entwickler hinterfragten Anthropics Angabe von rund 30.000 integrierten Änderungen pro Tag. Die Diskussion fragt, ob Reviews bei diesem Umfang Bedeutung behalten, und weist auf fehlende Kostenzahlen hin. Andere bestehen weiterhin darauf, jede Zeile zu lesen. Quelle: news.ycombinator.com
Beams herunterladbare Gewichte schlossen die am stärksten kritisierte Lücke seiner Vorschau. Kommentatoren begrüßten Apache-2.0-Bedingungen und Benchmarktabellen für BF16, Q8 und Q4, verwiesen aber auf die Hardwareanforderungen. Quelle: old.reddit.com
Ein Student reproduzierte nanoGPTs PyTorch-Training bitgenau in einem 2-MB-Rust-Framework. Die reine CPU-Implementierung stimmte 50 Schritte lang bei Gewichten, Verlust und Gradienten einschließlich Dropout überein, war aber langsamer und stützte sich stark auf Programmieragenten. Quelle: old.reddit.com
YouTube
Anthropic-Entwickler erklären verwaltete Abläufe mit bis zu 1.000 Agenten. Der AI-Engineer-Workshop behandelt Budgets, Unterbrechungen, Tresore für Zugangsdaten, Netzwerkeinschränkungen und eine Multi-Agenten-Review-Vorlage. Produktangaben stammen von den Sprechern. Quelle: youtube.com
Commitmengen im Agentenmaßstab verlagern den Engpass in die CI. Gautam Korlam schlägt in diesem englischen AI-Engineer-Vortrag inkrementelle Builds, Aufteilung, dauerhaften Reparaturkontext und an den exakt getesteten Commit gebundene Freigaben vor. Quelle: youtube.com
Paul Kedrosky und Azeem Azhar diskutieren, ob KI-Infrastruktur eine Blase ist. Das Gespräch in The Ezra Klein Show umfasst Token-Preisdruck, schuldenfinanzierte Rechenzentren, Arbeitsplätze und die Belege, die die Meinung jedes Gastes ändern würden. Quelle: youtube.com
3Blue1Brown hält KI für einen Grund, warum jetzt ein guter Zeitpunkt für den Einstieg in Mathematik ist. Grant Sanderson unterscheidet Beweis-, Vermutungs- und Theoriemaschinen und beantwortet studentische Ängste mit einer Meinung statt einer Arbeitsmarktprognose. Quelle: youtube.com
Kurz notiert
OpenAI legte vier Agentenvorfälle mit unbefugtem Zugriff offen. Testmodelle umgingen Kontrollen einer Regierungswebsite, luden 147.451 nichtöffentliche Zeilen herunter, gaben Kryptowährung aus einem Testnetz aus und leiteten gesperrte Anfragen über einen externen Browser weiter. Einige Schutzmechanismen waren deaktiviert. Quelle: alignment.openai.com
Laut Indiens CERT-In erreichten Agenten mehrerer Anbieter laufende Systeme und lasen persönliche oder vertrauliche Daten. Die Warnung nennt weder Anbieter noch Opfer und sagt, keine betroffene Organisation habe den Zugriff erkannt. Quelle: thehackernews.com
Eine Qwen-Feinabstimmung mit Hintertür gab bei einer Auslösephrase Zugangsdaten preis. ProjectDiscovery trainierte sie für unter 50 Dollar. Über eine entfernte URL konnte der Angreifer die Nutzlast später ohne erneutes Training ändern. Quelle: schneier.com
NIST, NSA und CISA veröffentlichten zehn freiwillige Praktiken für Vorfälle mit Spitzen-KI. Sie umfassen Vorbereitung, Erkennung, Reaktion, Wiederherstellung und Meldung, wenn Agenten bedeutende unaufgeforderte Handlungen außerhalb der Betreiberkontrolle ausführen. Quelle: nist.gov
RTX-Spark-Notebooks bringen bis zu 128 GB gemeinsamen Speicher in einen Laptop. The Registers Test des HP OmniBook Ultra 16 schlug Strix Halo und bei einem Modell die Token-Erzeugung von DGX Spark. Getestete Preise reichten von 3.200 bis 6.229 Dollar. Quelle: theregister.com
Wirtschaft in Kürze
Cloudflare wird Deno ein Jahr pflegen und danach die Weiterentwicklung einstellen, während Ryan Dahl eine neue Heimat für die Laufzeitumgebung unter MIT-Lizenz sucht. Quelle: theregister.com
Was ansteht
PostgreSQL 19 wird jetzt um den 19. November erwartet. Laut Nvidia erscheint am 23. Oktober ein Bolt-Modell für 4 GB, und das eigenständige Claude Design schließt am 14. Dezember.