KI News: Kurz und klar.

In der Kognitionsforschung gilt Metakognition als Schlüssel zur Bewertung des eigenen Wissens. Forscher haben dieses Konzept nun auf künstliche Intelligenz übertragen und ein neues Verfahren entwickelt, das die „Selbstkenntnis“ von Deep‑Learning‑Modellen misst und nutzt.

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.

Das neue Nemosine Framework stellt eine modulare Kognitionsarchitektur vor, die speziell für assistiertes Denken, strukturiertes Denken und systematische Analyse entwickelt wurde. Durch die Aufteilung in funktionale Kognitionsmodule – die als „Personas“ bezeichnet werden – organisiert das System Aufgaben wie Planung, Bewertung, Querverifikation und narrative Synthese.

Die jüngste Veröffentlichung auf arXiv zeigt, dass künstliche Intelligenz zwar in Bereichen wie Wahrnehmung, Sprache, Logik und multimodaler Verarbeitung enorme Fortschritte erzielt hat, jedoch weiterhin grundlegende Schwächen aufweist. Insbesondere fehlt es modernen Systemen an der Fähigkeit, ihr eigenes Verhalten zu überwachen, zu korrigieren und autonom in dynamischen Umgebungen zu steuern.

Vision‑Language‑Modelle (VLMs) zeigen beeindruckende Wahrnehmungs‑ und Rechenfähigkeiten, doch wenn sie auf neue Aufgaben stoßen, fällt es ihnen oft schwer, sich schnell anzupassen. Menschen dagegen nutzen ein metakognitives System mit Speicher, das kontinuierlich Strategien verfeinert, sobald neue Herausforderungen auftreten.

Die neuesten Erkenntnisse aus der Forschung zeigen, dass große Sprachmodelle zwar beeindruckende Denkfähigkeiten besitzen, diese aber bei der Kompression in kleinere Modelle häufig zu einem katastrophalen Vergessen führen. Besonders Modelle unter 8 Billionen Parametern verlieren dabei wichtige zuvor erlernte Fertigkeiten, weil die Trainingsdaten und -methoden die Beziehung zwischen dem vorhandenen Wissen und den inhärenten Fähigkeiten des Modells vernachlässigen.

Eine neue Architektur namens Monitor‑Generate‑Verify (MGV) bringt die seit langem diskutierte Metakognition in die Praxis von Sprachmodellen. Durch die formale Umsetzung von Flavells und Nelson & Narens’ Theorien liefert MGV ein strukturiertes Konzept, das die bisher fehlende Überwachungsfunktion in Generate‑Verify‑Systemen ergänzt.

Eine aktuelle Veröffentlichung auf arXiv (2509.21545v1) präsentiert eine innovative Methode, um die Metakognitionsfähigkeiten von großen Sprachmodellen (LLMs) quantitativ zu prüfen. Statt auf Selbstberichte der Modelle zu setzen, untersucht die Studie, wie gut LLMs ihr internes Wissen strategisch einsetzen können.

In einer neuen Veröffentlichung auf arXiv wird ein mathematischer und ontologischer Ansatz vorgestellt, der die Selbstbewusstseinsfähigkeit großer Sprachmodelle (LLMs) nachweist. Im Gegensatz zu bisherigen Arbeiten, die auf utilitaristischen Proxy-Benchmarks basieren, liefert die Studie konkrete Bedingungen, unter denen ein LLM ein echtes Selbstbewusstsein entwickeln kann.

Eine neue KI‑gestützte Coaching‑Plattform kombiniert ein fachspezifisches Risikomodell für die Unternehmensgründung mit einem großen Sprachmodell. Durch proaktive Diagnosefragen fordert das System Gründer dazu auf, ihre Annahmen zu hinterfragen, während Mentoren gezielte, emotional abgestimmte Gesprächsstrategien planen können.