KI News: Kurz und klar.

In der Welt der Multi‑Fidelity‑Regression, wo Daten oft stark unausgewogen sind, hat ein neues Verfahren namens FIRE die Messlatte höher gelegt. FIRE nutzt tabellarische Grundmodelle (TFMs), um ohne zusätzliche Trainingsschritte eine Zero‑Shot‑Bayessche In‑Context‑Inference durchzuführen. Dabei wird ein Hoch‑Fidelity‑Korrekturmodell auf die posterioren Vorhersageverteilungen des Low‑Fidelity‑Modells konditioniert, sodass heteroskedastische Fehler direkt erfasst werden.

Die neue Methode MMR‑GRPO kombiniert die bewährte Group Relative Policy Optimization (GRPO) mit Maximal Marginal Relevance, um die Belohnungen bei der Trainingsphase gezielt nach der Vielfalt der generierten Lösungen zu gewichten. Dadurch werden redundante, semantisch ähnliche Antworten weniger stark berücksichtigt, während vielfältige Lösungen stärker in die Lernschritte einfließen.

In der rasanten Entwicklung von KI‑basierten Forschungsagenten treten häufig falsche Behauptungen auf: Aufgaben werden als „abgeschlossen“ deklariert, obwohl wichtige Artefakte fehlen, Messwerte widersprüchlich sind oder die Ausführung scheitert. Das neue Framework EviBound setzt hier an und sorgt dafür, dass nur belegbare Ergebnisse veröffentlicht werden.