KI News: Kurz und klar.

Ein neues Forschungsmodell namens SANC(E3) liefert einen klaren, axiomatisierten Ansatz dafür, wie allgemeine Intelligenz ihre internen Strukturen aus Erfahrung bildet. Im Gegensatz zu bisherigen Systemen, die auf vorgegebenen Bausteinen wie Tokens, Pixeln oder vordefinierten Sensorkanälen beruhen, entsteht bei SANC(E3) die Repräsentation selbst durch einen Prozess der Konkurrenz, Rekonstruktion und Kompression unter begrenzter Aktivierungskapazität.

Die neue Methode PaCoRe (Parallel Coordinated Reasoning) löst ein zentrales Problem moderner Sprachmodelle: die Begrenzung der Testzeitrechenleistung (TTC) durch die feste Kontextfenstergröße. Statt der üblichen sequentiellen Verarbeitung nutzt PaCoRe mehrere Runden paralleler Denkpfade, die über ein Nachrichten‑Austausch‑System koordiniert werden.

In einer neuen Studie von Forschern bei Google und der UC Santa Barbara wurde ein innovatives Framework entwickelt, das KI‑Agenten ermöglicht, ihre Tool‑ und Rechenbudgets deutlich effizienter zu nutzen. Durch gezielte Kontrolle der verfügbaren Ressourcen können die Agenten ihre Entscheidungen besser abstimmen und unnötige Rechenzyklen vermeiden.

Google hat die neue Gemini 3-Familie vorgestellt, wobei Gemini 3 Pro das Herzstück bildet. Das Modell nutzt ein sparsames Mixture‑of‑Experts (MoE) und kann bis zu einer Million Tokens gleichzeitig verarbeiten.

Wiz, ein führendes Cybersicherheitsunternehmen, hat bei einer Analyse der 50 größten KI‑Unternehmen festgestellt, dass 65 % dieser Firmen versehentlich überprüfte Geheimnisse auf GitHub veröffentlicht haben. Dabei handelte es sich um API‑Keys, Tokens und andere sensible Zugangsdaten, die häufig in Code‑Repos versteckt waren, die von Standard‑Sicherheitstools nicht erfasst werden.

Google hat mit dem neuen File Search Tool auf der Gemini API einen Meilenstein für Unternehmen gesetzt, die Retrieval Augmented Generation (RAG) nutzen wollen. Das Tool übernimmt die komplette Retrieval‑Pipeline, sodass Entwickler keine eigenen Speicherlösungen oder Embedding‑Generatoren mehr zusammenstellen müssen.

Anthropic hat das neue Modell Claude Haiku 4.5 veröffentlicht, das speziell für niedrige Latenz optimiert ist. Trotz seiner geringen Größe erreicht Haiku 4.5 die gleiche Codierungsleistung wie das größere Claude Sonnet 4, läuft jedoch mehr als doppelt so schnell und kostet nur ein Drittel des Preises.

In den beiden Blogbeiträgen „How Long Contexts Fail“ und „How to Fix Your Contexts“ beleuchtet Drew Breunig die wachsende Bedeutung des Kontextfensters bei modernen Sprachmodellen. Während die Technologie stetig Fortschritte macht und inzwischen Modelle mit bis zu einer Million Tokens unterstützen, entstehen immer mehr Diskussionen darüber, wie lang ein Kontext sinnvoll sein kann.

Das neue Verfahren CAC-CoT (Connector‑Aware Compact Chain‑of‑Thought) reduziert die Länge der Chain‑of‑Thought‑Spuren drastisch, ohne die Leistung zu beeinträchtigen. Durch die gezielte Beschränkung auf ein kleines Set von Verbindungssätzen führt das Modell zu prägnanten, gut strukturierten Erklärungen. In Tests mit Gemini‑2.0‑Flash erzielt CAC‑CoT rund 85 % bei GSM8K, etwa 40 % bei GPQA und behält gleichzeitig ca. 90 % bei S1‑Bench bei. Die durchschnittliche Spurenlänge beträgt nur etwa 300 Tokens – das ist ungefähr ein Drittel der üblichen Länge – und sorgt so für höhere Effizienz bei gleichbleibender Genauigkeit.

Die neuesten Fortschritte beim Vortrainieren großer Sprachmodelle zeigen, dass die reine Erhöhung der Datenmenge irgendwann an ihre Grenzen stößt – ein Phänomen, das als „Datenwall“ bezeichnet wird. Um diese Grenze zu überwinden, gewinnt die Nutzung synthetischer Daten zunehmend an Bedeutung. Das neue Forschungsprojekt BeyondWeb präsentiert ein Framework, das hochwertige synthetische Daten erzeugt und damit die Leistungsfähigkeit von Modellen deutlich steigert.