NVIDIA automatisiert Workflows in der Physical-AI-Forschung durch neue Agent Skills, die Szenenrekonstruktion, Datengeneration und Policy-Training für autonome Fahrzeuge, Robotik und Vision-AI skalierbar machen.
Context Engineering ist die Disziplin, das Kontextfenster von Sprachmodellen systematisch und zur Laufzeit mit den richtigen Informationen in optimaler Form zu füllen – deutlich umfassender als Prompt Engineering.
Uber deckelt AI-Coding-Tool-Nutzung pro Mitarbeiter und Tool auf 1.500 Dollar monatlich, was rund 11 Prozent der durchschnittlichen Jahresvergütung eines Software-Engineers entspricht.
Microsoft schafft mit dem Execution Container und dem MDASH-System dedizierte Sicherheitsrahmen für autonome KI-Agenten, um unkontrollierte Zugriffe, Datenlecks und Codeausführung zu verhindern.
Ein 0-Day in VSCode erlaubt Attackern, GitHub-Tokens durch Benutzerinteraktion zu kompromittieren, wurde aber ohne responsibles Disclosure veröffentlicht.
Ein CPU-basierter RL-Controller optimiert adaptives Sampling beim Test-Time Scaling und reduziert Rechenaufwand sowie Latenz gegenüber heuristischen Verfahren.
VaSE erreicht bei 4x KV-Cache-Kompression höhere Genauigkeit als bestehende Sparse-Attention-Methoden und reduziert damit den Speicher-Bottleneck von Reasoning-Modellen.
NVIDIAs OmniDreams generiert komplexe Fahrzeugsimulationen in Echtzeit, generalisiert besser auf seltene Szenarien und kann zugleich als Grundlage für effizientere Fahrichtlinienmodelle dienen.
