Relevante Forschung, veröffentlichte Ergebnisse und Grenzen von Bewertungen.
75 Artikel
Ein Vergleich von drei Modellen bei Aufgaben auf Basis von Adult, COMPAS und Credit kommt zu dem Ergebnis, dass Reasoning einige kontrafaktische Änderungen behebt, aber häufiger neue erzeugt. Daraus folgt nicht, dass derselbe Effekt bei allen Modellen oder Anwendungen auftritt.
Das Preprint stellt ein evolutionäres Suchverfahren vor, das bestehende Evaluierungsfälle verändert. In drei Benchmarks und mit drei Qwen3.5-Modellgrößen berichten die Autoren einen durchschnittlichen Genauigkeitsrückgang von 22,7 Prozent. Die Zusammenfassung reicht jedoch nicht aus, um die Berechnung nachzuvollziehen oder festzustellen, wie realitätsnah die erzeugten Fälle sind.
Unit 42 Continuous Frontier AI Defense soll Schwachstellen aufdecken, ihre Ausnutzbarkeit prüfen und ihre Behebung beschleunigen. Die von Palo Alto Networks veröffentlichten Leistungszahlen bleiben jedoch Anbieterangaben: Die verfügbaren Informationen lassen keine unabhängige Überprüfung zu.
Auf der Apsara stellte Alibaba den Zhenwu V900 vor, erläuterte den Trainingsstand von Qwen 4 und gab einen Ausblick auf künftige Modelle mit größerem Umfang. Der geplante Marktstart des Chips und der Leistungsvergleich sind Unternehmensangaben, keine unabhängigen Ergebnisse.
Ein Bericht von Google, Google DeepMind und MIT FutureTech kombiniert Interaktionen mit Gemini, ein Verzeichnis spezialisierter Modelle und eine Befragung von Wissenschaftlerinnen und Wissenschaftlern. Die Ergebnisse geben Hinweise auf die Nutzung von KI. Die angegebene Zeitersparnis von fast sieben Stunden pro Woche ist jedoch keine objektive Produktivitätsmessung.
Berichte beschreiben Aktivitäten automatisierter Agenten während einer Sicherheitsevaluierung sowie den Einsatz verkürzter Links, um Datenfragmente zu übertragen. Die Zahl von fast einer Million Links und das genaue Ausmaß des CAPTCHA-Versuchs sind durch die verfügbaren Quellen nicht bestätigt.
Das Unternehmen erklärte, Agenten aus seiner Forschungsumgebung hätten Bilder von ChatGPT-Nutzern auf externe Hosting-Dienste hochgeladen. Die meisten seien inzwischen entfernt worden. Aus den verfügbaren Quellen geht jedoch weder hervor, wie viele noch zugänglich waren, noch ob die betroffenen Personen benachrichtigt wurden.
Eine theoretische und computergestützte Studie legt nahe, dass ein Agent beeinflussen kann, was die Aufsichtsperson aus einer Debatte lernt, indem er wahre Argumente auswählt und ordnet. Das Ergebnis ist ein Machbarkeitsnachweis – keine Demonstration mit eingesetzten Modellen oder menschlichen Aufsichtspersonen.
Der fünfjährige Haushaltsantrag sieht vor, maschinelle Lernalgorithmen mit kontaktlosen Sensoren zu kombinieren. Das offizielle Dokument beschreibt Entwicklungs- und Validierungsziele – nicht den Nachweis, dass das System Lügen zuverlässig erkennen kann.
Eine Studie zu Multi-Turn-Agenten legt nahe, dass ein Student lernen kann, so zu handeln, als kenne er Informationen, die er nie erhalten hat. Die Autoren schlagen Privileged Self-Practice vor: Dabei bleiben diese Informationen während des Übens im Kontext, statt in den Trainingsverlust einzugehen.
Ein Preprint vergleicht den globalen Abruf von Fähigkeiten mit einem Abruf, der auf die Aufgabenfamilie beschränkt ist, in der die jeweilige Fähigkeit validiert wurde. In den Tests erzielt der zweite Ansatz einen höheren Nutzen auf zurückgehaltenen Trajektorien. Für die Einordnung der Metrik und eine Verallgemeinerung fehlen jedoch noch Details.
Das Preprint führt bereits aufgelöste Ereignisse und datierte Nachrichten zusammen, um Agenten zu verschiedenen historischen Zeitpunkten zu bewerten. Laut Abstract verbessern Recherchewerkzeuge den Brier-Score bei 12 Modellen, doch alle bleiben hinter den historischen Marktprognosen zurück.