Eine Arbeit zu regelgebundener Textgenerierung im Gesundheitswesen zeigt, woran Einzel-Agenten dort scheitern — und dass nicht die Agenten-Architektur die Belegtreue sichert, sondern eine schlichte deterministische Sperre davor. Ohne sie: 100 Prozent Verstöße.
Anthropic hat mit Opus 5.5 das erste Modell der 5.5-Reihe veröffentlicht, seit dem 23. September auch auf Amazon Bedrock. Nach Herstellerangaben kostet es 40 Prozent weniger als Opus 5. Der Preis dafür steht im Kleingedruckten: Es lehnt häufiger ab.
OpenAI hat eine maschinell erzeugte Lösung des Navier-Stokes-Problems samt formaler Prüfung in Lean veröffentlicht. Ein konkurrierendes Team hatte zuvor ein Jahr lang mit Coding-Assistenten an derselben Frage gearbeitet — und weiß bis heute nicht, ob seine Sitzungen dabei eine Rolle gespielt haben.
Ein dreiköpfiges Sicherheitsteam ist mit KI-Assistenten über eine Lücke in der Bildverarbeitung einer verbreiteten Forensoftware bis in Mitarbeiterkonten von OpenAI gekommen. Dasselbe Verfahren ließ sich in ein bis zwei Tagen auf weitere Ziele übertragen.
Ein offener Prüfstand hält die Umgebung fest und vergleicht Bauformen für Refactoring-Agenten über 100 Aufgaben. Ein einzelner Agent mit Codesuche löst 86 Prozent, die Variante mit Unteragenten 66 — und schlecht zugeschnittene Suche schneidet schlechter ab als gar keine.
Gemini kann Videomaterial jetzt gezielt durchsuchen, statt es mit fester Bildrate am Stück einzulesen. Der Anbieter nennt bis zu 88 Prozent weniger Token; die Umstellung ist ein Feld in der API-Konfiguration.
Anthropics neues Spitzenmodell ist auf Amazon Bedrock und der Claude-Plattform auf AWS verfügbar. Typische Last soll rund ein Viertel günstiger werden — dafür gelten Aufbewahrungsfristen und menschliche Durchsicht, sofern kein Sondervertrag greift.
Ein Prüfstand stellt Browsing-Agenten 400 Fragen, deren Beleg nur in Bildern oder Videos steckt. Das beste der 27 geprüften Modelle kommt auf knapp ein Viertel richtiger Antworten.
Ein Prüfstand misst Coding-Agenten an 300 echten Aufgaben in zehn Sprachen — Kodierung, Lokalisierung, Textnormalisierung. Das stärkste Modell löst 63,1 Prozent, und die Rangfolge deckt sich nicht mit den üblichen Coding-Ranglisten.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Google erweitert die Managed-Agents-Funktion der Gemini API um Hooks für Werkzeugaufrufe, ein neues Standardmodell, Budget-Grenzen und geplante Ausführungen — teils kostenlos nutzbar.
Ein Erfahrungsbericht zu acht Forschungsprojekten zeigt, wo Coding-Agenten wissenschaftliche Software wirklich voranbringen — und wo die Prüfung der Ergebnisse zum eigentlichen Engpass wird.
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.
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.
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.
Das Model Context Protocol standardisiert, wie Sprachmodelle an Daten und Werkzeuge kommen — statt für jede Kombination eine eigene Anbindung zu bauen.
Mehr Token im Kontext heißt nicht automatisch bessere Antworten. Entscheidend bleibt, was in diesem Fenster steht.
Eigene Dokumente ans Modell anzuschließen ist kein Selbstzweck. Es lohnt sich dort, wo die Wissensbasis größer ist als jedes Kontextfenster.
Ein Modell, das Dateien liest, Befehle ausführt und seine eigenen Fehler sieht, arbeitet anders als eine Autovervollständigung. Das verschiebt die Arbeit des Teams.
Lokal laufende Modelle sind reif genug für den Alltag — sofern man weiß, wofür man den Speicher ausgibt.
Die Modellwahl ist eine Kostenentscheidung mit Qualitätsfolgen — und selten gibt es eine Antwort für das ganze Projekt.