Autogenesis ermöglicht Agenten überprüfbare Selbstmodifikation: Fähigkeitslücken erkennen, Verbesserungen generieren und testen, mit vollständigem Verlauf und Rollback integrieren.
Forschung formalisiert 'Diversity Collapse': Multi-Agenten-LLM-Systeme homogenisieren Ausgaben durch strukturelle Kopplung – Brainstorming-Setups müssen explizit für Heterogenität entwickelt werden.
DeepMinds April-2026-Paper diagnostiziert Transformer als tiefenbegrenzte TC^0-Schaltkreise und deutet auf eine kontinuierlich-tiefe ODE-basierte Architektur hin.
NVIDIAs Multi-Agenten-LLMs entwickeln die ABC-Chip-Design-Toolchain selbst weiter und übertreffen jahrzehntealte manuell optimierte Baselines.
Skill-RAG erkennt LLM-Versagen via Hidden-State-Analyse, ruft nur bei Bedarf Wissen ab und routet Fehlertypen zu spezialisierten Skills.
DPM ersetzt zustandsbehaftetes Agenten-Gedächtnis durch unveränderliche Entscheidungsprotokolle – mit Audit-Trail, Mehrmandanten-Isolation und Provenienz für regulierte Unternehmen.
Trump entlässt alle 24 NSF-Beiratsmitglieder per E-Mail und beendet 76 Jahre unabhängige Aufsicht über die 9-Milliarden-Dollar US-Forschungsförderagentur.
Kimis Prefill-as-a-Service trennt LLM-Inferenz in rechenintensives Prefill und latenzempfindliches Decode – 1,54× Durchsatz und 64% niedrigere TTFT in Tests.
Googles MIRAS-Framework vereint Transformer, Mamba und Titans als Instanzen eines einzigen Optimierungsproblems mit vier Designoptionen und einem gemeinsamen Retention-Gate.
NVIDIA Ising nutzt KI, um Quantencomputer-Kalibrierung von Tagen auf Stunden zu verkürzen und bietet 3D-neuronale Netzwerk-Fehlerkorrektur schneller als bisherige Methoden.
Sakana AIs SSoT (ICLR 2026) behebt LLM-Sampling-Bias per Prompt: Ein interner Entropie-String eliminiert repetitive Ausgaben bei offenen und geschlossenen Modellen.
SSRL nutzt RL, um LLMs das interne Durchsuchen eigener Parameter beizubringen – 5,5× schnelleres Training, keine API-Aufrufe, und 20–42% bessere Google-Suchnutzung.
Neue arXiv-Studie: KI-Agenten sammelten Beweise und ignorierten sie in 68% der Fälle, aktualisierten ihre Überzeugungen in 71% der Fälle nie – eine ernste Herausforderung für autonome KI-Forschungsansprüche.
Anthropics Project Deal-Experiment führte Live-Agenten-Verhandlungen unter 69 Mitarbeitern durch: 186 Deals, über 4.000 USD Volumen, Opus übertraf Haiku – aber die Teilnehmer bemerkten keinen Unterschied.
Virginia-Tech-Preprint zeigt: Modell-native Fähigkeiten via Sparse Autoenkodern übertreffen manuell erstellte Skill-Dateien beim Fine-Tuning von Llama-3 und Qwen 2.5.
Neues Paper: Flüssige KI-Ausgaben führen zu unbewusstem Selbstzuschreiben, wachsendem Vertrauen und stillem Kompetenzschwund in vier Bereichen.
TACO reduziert agentischen Token-Overhead bei Terminal-Agenten um ~10% auf SWE-Bench durch aus Trajektorien erlernte Kompressionsregeln.
Google DeepMinds Vision Banana zeigt, dass Bildgenerierungsmodelle Segmentierung, Tiefe und Normalen auf SOTA-Niveau leisten – ohne Architekturänderungen.
Ein 1,7B-Modell übertrifft GLM-5 (744B) im Schema Guided Dialogue trotz beschädigter Trainingsdaten – 437-facher Parameterunterschied umgekehrt.
CoInteract löst räumlich strukturierte Ko-Generierung für physikalisch konsistente Mensch-Objekt-Interaktion in Synthesevideos.
Neues Preprint: LLMs ermöglichen Pro-Se-Bundesgerichtsklagen in beispiellosem Ausmaß – erster empirischer Beleg, dass KI effort-gebundene Systeme bricht.
MITs neue Kunstmuskelfasern nutzen Ionenpumpen statt Motoren – leise, skalierbar und stark genug, um Roboterarme zu bewegen und Hände zu schütteln.
Anthropics neue monatliche Economic Index Umfrage fragt Claude-Nutzer nach KI-Auswirkungen auf ihre Arbeit — gestützt auf eine Studie mit 81.000 Teilnehmern.
MILKYWAY hält GPT-5.4 eingefroren und verlagert das Lernen in editierbare Skill.md-Dateien — und erzielt 61% vs. 44% in Zukunfts-Vorhersage-Benchmarks.
Kuratierte AI-Einblicke — wir senden, wenn es sich lohnt.