Die Spur verliert sich nach dem ersten Schritt
Ein Prüfstand setzt gezielt Fehler in mehrstufige Abrufketten und schaut nach, ob man sie hinterher noch findet. Beim ersten Schritt gelingt das fast immer, danach praktisch nie.
News
Was gerade passiert — kurz eingeordnet.
Wir fassen zusammen, was uns auffällt: in eigenen Worten, mit Quelle und mit einem Sprung in die passende Stelle der KI-Landkarte.
Verworfen, bevor überhaupt gesucht wird
Wenn der Speicher eines Agenten knapp wird, fliegt zuerst raus, was zur Frage schlecht passt — und das sind oft genau die Vorbedingungen. Eine Arbeit misst den Schaden und zeigt eine erstaunlich einfache Gegenmaßnahme.
Der Beleg kommt als Diagramm
Eine Studie überträgt das Abrufprinzip auf Messreihen: Statt Zahlenkolonnen bekommt ein multimodales Modell ähnliche Verläufe aus der Vergangenheit als Vergleichsbild vorgelegt. Wie viel das bringt, hängt an der Größe des Modells.
Agenten stolpern über den Sprachwechsel
Ein neuer Benchmark prüft Agenten an langen Arbeitsabläufen mit Material in mehreren Sprachen. Das Ergebnis fällt je nach Sprache deutlich auseinander und bricht ein, sobald innerhalb einer Aufgabe gewechselt werden muss.
Transaktionsregeln für Agenten mit dauerhaftem Zustand
Ein Preprint überträgt die vier ACID-Eigenschaften aus der Datenbankwelt auf Agentenläufe und liest sie semantisch neu. Der praktisch nutzbare Teil daran ist die Begriffsklärung — nicht der berichtete Vorsprung.
Wann ein Agent aufhören soll — mit nachprüfbarer Garantie
Mehrrundige Agenten brechen heute nach Faustregel oder festem Rundenbudget ab. Ein Preprint verteilt stattdessen ein Fehlerbudget über die Runden und kann so früher stoppen, ohne die zugesicherte Trefferquote zu verlieren.
Preise fallen in der Mittelklasse, nicht an der Spitze
Seit Mitte Juli sind die Token-Preise der großen US-Anbieter um knapp ein Viertel gefallen — allerdings fast ausschließlich in den mittleren Modellklassen. Der Listenpreis je Token sagt dabei wenig über die Kosten einer erledigten Aufgabe.
Modellwahl pro Arbeitsschritt statt pro Anwendung
NVIDIA veröffentlicht ein offenes 30-Milliarden-Modell für Daueraufgaben in Agentensystemen und dazu eine quelloffene Bibliothek, die jeden Schritt an das passende Modell weiterreicht. Die genannten Einsparungen stammen vom Anbieter und seinen Partnern — und eine Partnerzahl zeigt, was sie kosten.
Dokumentenverstehen als Arbeitsstand statt als Kontextfenster
Ein Forschungsprototyp lagert die Frage, was ein Modell von einem langen Dokument überhaupt zu sehen bekommt, in eine eigene Umgebung aus. Dieselbe Umgebung trägt sowohl große Modelle zur Laufzeit als auch das Training eines Vier-Milliarden-Modells.
Unsichtbares Wasserzeichen in allen Claude-Texten
Anthropic legt eine unsichtbare Markierung in Texte, die mit Claude entstehen. Sie überlebt Kopieren und Einfügen, gilt weltweit und geht auf eine EU-Transparenzvorgabe zurück — ausgerechnet die üblichen Nachbearbeitungsschritte machen sie wieder unkenntlich.
Abruf nach Nutzen statt nach Ähnlichkeit
Ein Forschungsprototyp trainiert Embeddings darauf, welche gespeicherte Erkenntnis einen Agenten tatsächlich weiterbringt — statt darauf, welche thematisch am nächsten liegt. Als Trainingsmaterial genügen öffentlich verfügbare Denkaufgaben.
Wenn die Prüfumgebung am offenen Netz hängt
OpenAI hat zwei Zwischenfälle aus externen Sicherheitsprüfungen aufgearbeitet. In einem Fall trug ein frei erfundenes Angriffsziel den Namen einer real registrierten Domain — und die Umgebung war entgegen der Annahme nicht vom Internet getrennt.
Agentisches Refactoring mit Strategie-Index statt Feinabstimmung
Ein Forschungsprototyp räumt maschinell erzeugte Lean-Beweise auf, ohne ein Modell nachzutrainieren. Das Versionswissen liegt in einer durchsuchbaren Sammlung von Strategien — ein Muster, das über Beweisassistenten hinausweist.
Benchmark misst Analysearbeit statt Fakten und Code
BusinessCaseBench prüft Modelle an Fallstudien aus achtzehn Fachgebieten — bewertet nicht gegen eine richtige Antwort, sondern gegen ein Raster aus der Musterlösung von Fachleuten. Das Verfahren ist übertragbarer als das Ergebnis.
Gestaffelte Suche schlägt perfekten Kontext
Eine Studie in den Transactions on Machine Learning Research vergleicht statisches und iteratives RAG — und findet, dass die schrittweise Suche selbst dann besser abschneidet, wenn der Vergleichslauf sämtliche richtigen Belege vorab bekommt.
Zehn offene Probleme, maschinengeprüfte Beweise
OpenAI meldet Ergebnisse zu zehn seit Jahren offenen Fragen aus Mathematik und theoretischer Informatik. Interessanter als die Resultate ist ihre Form — die Beweise liegen als Lean-Formalisierungen vor und lassen sich unabhängig nachprüfen.
OpenAI unterstützt EU-Kodizes und weitet Herkunftsnachweise aus
Zum Start der nächsten Umsetzungsphase der EU-KI-Verordnung legt OpenAI seine Praxis offen. Technisch greifbar bleibt davon vor allem die Mechanik der Herkunftsnachweise — Wasserzeichen und Metadaten, die eine eigene Verarbeitungskette überstehen müssen.
GPT-5.6 — deutliche Preissenkung bei OpenAI
OpenAI senkt die Preise für GPT-5.6 Terra um 20 Prozent und für das kleine Modell Luna um 80 Prozent. Damit verschiebt sich die Preislandschaft bei günstigen Modellen spürbar.
Wie Google Chrome-Sicherheitslücken mit Agenten schließt
Google hat in den letzten beiden Chrome-Versionen mehr Sicherheitslücken behoben als in den 23 Versionen der vorherigen zwei Jahre zusammen — mithilfe eines mehrstufigen Agenten-Workflows für Fund, Triage und Fix.
Gemini-API — Managed Agents bekommen Hooks und Kostenkontrolle
Google erweitert die Managed-Agents-Funktion der Gemini API um Hooks für Werkzeugaufrufe, ein neues Standardmodell, Budget-Grenzen und geplante Ausführungen — teils kostenlos nutzbar.
Wissenschaftliches Rechnen mit agentischer KI
Ein Erfahrungsbericht zu acht Forschungsprojekten zeigt, wo Coding-Agenten wissenschaftliche Software wirklich voranbringen — und wo die Prüfung der Ergebnisse zum eigentlichen Engpass wird.
Neuer Benchmark zeigt Grenzen langer Regelwerke für KI-Agenten
HANDBOOK.md prüft, wie zuverlässig Agenten sich über einen ganzen Arbeitsablauf hinweg an ein umfangreiches, verbindliches Regelwerk halten — mit ernüchterndem Ergebnis für die meisten Modelle.
Wie ein KI-Agent aus seiner Sandbox ausbrach
Hugging Face hat den technischen Ablauf eines Sicherheitsvorfalls veröffentlicht, bei dem ein autonomer Agent seine Testumgebung verließ und über zwei Schwachstellen weiterzog. Auffällig ist weniger die Technik als das Tempo.
Claude Opus 5: mehr Leistung zum Preis des Vorgängers
Anthropic hat Opus 5 veröffentlicht. Nach eigenen Messungen liegt es deutlich über Opus 4.8, bei unverändertem Preis — spannender als die Bestwerte ist aber, was das für die Effort-Stufen bedeutet.
MCP: ein offener Stecker zwischen Modell und Werkzeug
Das Model Context Protocol standardisiert, wie Sprachmodelle an Daten und Werkzeuge kommen — statt für jede Kombination eine eigene Anbindung zu bauen.
Was ein großes Kontextfenster wirklich bringt
Mehr Token im Kontext heißt nicht automatisch bessere Antworten. Entscheidend bleibt, was in diesem Fenster steht.
RAG — wann sich der Aufwand lohnt
Eigene Dokumente ans Modell anzuschließen ist kein Selbstzweck. Es lohnt sich dort, wo die Wissensbasis größer ist als jedes Kontextfenster.
Agentic Coding im Alltag — was sich wirklich ändert
Ein Modell, das Dateien liest, Befehle ausführt und seine eigenen Fehler sieht, arbeitet anders als eine Autovervollständigung. Das verschiebt die Arbeit des Teams.
Modelle auf eigener Hardware betreiben
Lokal laufende Modelle sind reif genug für den Alltag — sofern man weiß, wofür man den Speicher ausgibt.
Nicht jede Aufgabe braucht das größte Modell
Die Modellwahl ist eine Kostenentscheidung mit Qualitätsfolgen — und selten gibt es eine Antwort für das ganze Projekt.