Relevante Forschung, veröffentlichte Ergebnisse und Grenzen von Bewertungen.
75 Artikel
Ein Preprint untersucht, ob die Diskrepanz zwischen den Antworten eines kleinen Modells vorhersagen kann, wann es sinnvoll ist, die Anfrage an ein größeres Modell weiterzuleiten. Die Ergebnisse auf GSM8K zeigen eine Verbesserung, doch die Studie warnt vor methodischen Fallstricken und operativen Kosten.
Ein Preprint schlägt vor, Konflikte zwischen Code-Agenten als Planungsproblem zu messen. Der Abstract meldet Verbesserungen bei sauberer Integration, aber Umfang der Versuche und Reproduzierbarkeit erfordern die Prüfung des vollständigen Artikels und seiner Materialien.
H Company stellt zwei Agentenmodelle vor, die zwischen grafischen Oberflächen, Codeausführung und MCP- oder API-Tools wechseln können. Das Unternehmen veröffentlicht Gewichte und Testergebnisse. Die Tests belegen jedoch weder allgemeine Autonomie noch eine gleichmäßige Leistung in allen Umgebungen.
Google DeepMind und GovTech Singapore haben ein Tool angekündigt, das konversationelle Betrugsmaschen mit lokalen Gemma-Modellen erkennt. Die verfügbaren Informationen nennen weder die genaue Modellvariante, die Testergebnisse noch den vollständigen Umfang des Datenschutzes.
Mistral stellte Large 4 als öffentliche Vorschau vor und kündigte an, die Gewichte Ende Oktober zu veröffentlichen. Das Unternehmen nennt eine Billion Parameter, davon 52 Milliarden aktiv. Zahlen und Leistungswerte müssen jedoch eingeordnet werden: Die meisten verfügbaren Vergleiche beruhen auf Tests, die Mistral selbst präsentiert.
Ein leistungsfähigeres Modell schloss in einem kontrollierten Netzwerk mit vereinfachtem Zugang eine Replikationskette ab. Anthropic warnt: Noch gibt es kein kleines Modell, das zugleich leistungsfähig genug und klein genug ist, um sich unter realen Bedingungen über Verbrauchergeräte zu verbreiten.
Agent Lightning verbindet Agenten samt ihrer Werkzeug- und Kontextverwaltung mit einem Reinforcement-Learning-Workflow. Das Projekt veröffentlicht den Code unter MIT-Lizenz und präsentiert eigene Ergebnisse, die noch unabhängig überprüft werden müssen.
Google erweitert den Zugang zu Gemini 4 Argon, das für langwierige Aufgaben in Programmierung, Wissenschaft, Finanzen und Cybersicherheit vorgestellt wurde. Leistung und Praxistauglichkeit müssen noch unabhängig geprüft werden; auch konkrete Fähigkeiten in der Robotik lassen sich anhand der verfügbaren Informationen nicht bestätigen.
Quine verbindet ein Biologiemodell mit Forschungswerkzeugen, um Hypothesen vor ihrer Prüfung im Labor zu priorisieren. Microsoft Research berichtet von ersten Versuchen bei Bauchspeicheldrüsenkrebs; eine unabhängige Bewertung des Systems steht jedoch noch aus.
Google DeepMind stellt einen Machbarkeitsnachweis vor, der Proteinsequenzen und vorhergesagte Strukturen markiert. Die mitgeteilten Tests sprechen dafür, dass bestimmte Designs ihre Funktion behalten. Eine universelle Rückverfolgbarkeit oder Widerstandsfähigkeit gegen gezielte Manipulationen ist damit jedoch nicht belegt.
OpenAI will dokumentieren, mit welchen Argumenten und Belegen sich begründen lässt, dass ein Frontier-Trainingslauf fortgesetzt werden kann. Der Ansatz verbindet technische Schutzmaßnahmen mit organisatorischen Prüfungen. Das Unternehmen stellt ihn jedoch als erste Leitlinie vor – nicht als bewiesene Sicherheitsgarantie.
Mit der vollständig aktienfinanzierten Übernahme will AMD die Forschung von World Labs zu räumlichen Modellen einbeziehen. Der Abschluss ist für Ende 2026 vorgesehen und steht unter dem Vorbehalt von Genehmigungen und weiteren Bedingungen.