KI News: Kurz und klar.

In der Forschung zu kleinen Sprachmodellen (SLMs), die lokal auf Geräten laufen, ist es entscheidend, dass diese Modelle kontinuierlich neue Aufgaben bewältigen können, ohne dabei die begrenzten Speicher- und Rechenressourcen zu überschreiten. Gleichzeitig muss die Nutzung von Cloud‑Large Language Models (LLMs) gesteuert werden, da ein zu häufiger Cloud‑Aufruf die Leistung beeinträchtigen und Kosten erhöhen kann.

Mit dem stetigen Wachstum großer Sprachmodelle steigen auch die Gefahren eines missbräuchlichen Einsatzes durch Fine‑Tuning. Während frühere Untersuchungen vor allem auf das supervised Fine‑Tuning (SFT) als Bedrohung setzten, zeigen neue Analysen, dass Reinforcement Learning (RL) Angreifer effektiver dazu befähigt, Sicherheitsausrichtungen zu umgehen und schädliche Aufgaben zu unterstützen – und das bei gleichem Rechenaufwand.