KI-Systeme in der Produktion erfordern eine Zwei-Komponenten-Architektur, die Leistung mit Kontrollierbarkeit und Zuverlässigkeit verbindet, nicht nur maximale Modellkapazität.
DiffusionGemma erzeugt mehrere Tokens gleichzeitig statt sequenziell und steigert damit die Hardwareauslastung, erkauft dies aber mit geringerer Genauigkeit.
AI-gesteuerte Schwachstellenerkennung ist nicht mehr auf proprietäre Frontier-Modelle beschränkt — kleinere Open-Source-Modelle finden bereits die gleichen Zero-Days, weshalb CISOs von der Annahme ausgehen sollten, dass Angreifer Zugang innerhalb von Monaten erlangen.
Grammar-Constrained Decoding (GCD), ein Verfahren zur Sicherung syntaktisch korrekten Codes, eröffnet Angreifern eine neue Jailbreak-Methode mit Erfolgsrate über 30 Prozentpunkte höher als bisherige Ansätze.
Vertrauen in KI entsteht nicht automatisch, sondern muss je nach Anwendungskontext und regulatorischen Anforderungen systematisch durch Explainability-Massnahmen aufgebaut werden.
Die Ausrichtung von Router-Zeilen an den mathematischen Hauptrichtungen ihrer zugeordneten Expert-Matrizen verbessert die Effizienz und Stabilität von Mixture-of-Experts-Modellen.
Das Benchmark-Framework Claw-SWE-Bench zeigt, dass Adapter-Design für Code-Agenten entscheidend ist: mit minimalem Adapter erreicht OpenClaw 19,1% Pass@1, mit vollständigem Adapter 73,4%.
53 Prozent der Arbeitnehmer nutzen bereits private KI-Tools im beruflichen Kontext, weil die IT-Abteilungen keine genehmigten Alternativen bereitstellen.
InternVideo3 ermöglicht Foundation-Modellen, längere Videosequenzen mit iterativem Reasoning und Werkzeugnutzung zu analysieren, ohne dabei in Effizienzprobleme bei der KV-Cache-Verwaltung zu geraten.
Arbor ermöglicht KI-gesteuerte Forschung durch systematische Hypothesen-Verwaltung und erzielte auf sechs Testaufgaben durchschnittlich 2,5x höhere Verbesserungen als bestehende Code-Modelle.
Arbor koordiniert autonome KI-Agenten über persistente Hypothesenbäume und erzielte auf sechs Forschungsaufgaben 2,5-fach bessere Ergebnisse als Codex und Claude Code.
Bebop nutzt Rejection Sampling und TV-Loss-Optimierung, um MTP-Akzeptanzraten in RL-Training stabil zu halten und Rollouts um bis zu 1,8-fach zu beschleunigen.
