KI News: Kurz und klar.

In interaktiven Umgebungen, in denen wichtige Vorbedingungen wie Objektpositionen oder Behälterzustände zu Beginn unbekannt sind, stellt die Planung eine große Herausforderung dar. Das neue Verfahren „Active Epistemic Control“ (AEC) kombiniert ein lernbasiertes Weltmodell mit einer klaren Trennung zwischen einem „grounded fact store“ für verbindliche Entscheidungen und einem „belief store“ zur Vorauswahl möglicher Pläne.

Large‑Language‑Model‑Agenten haben lange damit zu kämpfen, aus ihren Erfahrungen zu lernen. Traditionelle Ansätze speichern das Wissen lediglich als flache Texte, wodurch die komplexen Abläufe von Unteraufgaben nicht erfasst werden. Zudem verschlechtert sich die Qualität der Wissensdatenbank, wenn sie ohne Pflege weiter wächst.

In der aktuellen Forschung werden Sprachmodell-basierte Embodied Agents immer häufiger in realen Umgebungen eingesetzt. Ihre Fähigkeit, sich an dynamische Szenarien anzupassen, bleibt jedoch begrenzt, weil die zugrunde liegenden Weltmodelle nicht flexibel genug sind. Um dieses Problem zu lösen, erweitert die neue Methode Test-Time Mixture of World Models (TMoW) das klassische Mixture-of-Experts-Paradigma, indem sie die Routenfunktion während der Inferenz anpasst.

Ein neues Forschungsprojekt namens DuSAR (Dual-Strategy Agent with Reflecting) hat die Leistungsfähigkeit von großen Sprachmodellen (LLMs) in komplexen Entscheidungsaufgaben deutlich gesteigert. Im Gegensatz zu bisherigen Ansätzen, die stark auf externe Demonstrationen oder aufwändige Retrieval-Methoden angewiesen sind, nutzt DuSAR einen einzigen, eingefrorenen LLM, um gleichzeitig einen übergeordneten, ganzheitlichen Plan und eine kontextbasierte lokale Politik zu entwickeln.

In einer neuen Veröffentlichung auf arXiv wird ein Verfahren vorgestellt, das die Ausführungskosten von großen Sprachmodell‑Agenten drastisch senkt – ohne dass dafür zusätzliche Trainingszyklen oder aufwändige Prompt‑Engineering‑Schleifen nötig sind.

In der Welt der großen Sprachmodelle (LLMs) gewinnt das in‑Context‑Learning (ICL) für sequentielle Entscheidungsprozesse immer mehr an Bedeutung. Dabei ist die Qualität der Prompt‑Struktur entscheidend: Sie muss sich auf entscheidungsrelevante Informationen konzentrieren, stufenweise Detailgenauigkeit bieten und gleichzeitig die Abhängigkeit von Experten‑Annotationsdaten minimieren.