KI News: Kurz und klar.

In der Forschung zu Multi-Agenten-Systemen (MAS) wird häufig festgestellt, dass mehrere Modelle gemeinsam über Debatten hinweg bessere Ergebnisse erzielen als einzelne Modelle. Diese Debatten sind jedoch rechenintensiv, weil sie viele Interaktionen zwischen den Agenten erfordern. Das neue Verfahren SMAGDi löst dieses Problem, indem es die Debatten eines fünf‑Agenten‑Llama‑basierten Systems in ein kompakteres Modell überträgt.

In einer kürzlich veröffentlichten Studie auf arXiv wird ein innovativer Jailbreak-Ansatz namens NINJA vorgestellt, der die Sicherheit moderner Sprachmodelle (LMs) in Frage stellt. Durch das Anhängen von scheinbar harmlosen, vom Modell selbst generierten Texten an die Eingabe werden gefährliche Nutzerziele geschickt in den Kontext eingebettet.

In einer aktuellen Untersuchung aus dem arXiv-Preprint arXiv:2508.20437v1 wird die Frage beantwortet, warum und wann sogenannte Foundation‑Modelle bei der Vorhersage von Zeitreihen wirklich überzeugen. Die Autoren kombinieren klassische erklärbare KI‑Methoden mit einem neuen Ansatz namens Rating Driven Explanations (RDE), um die Leistung und Interpretierbarkeit von Modellen aus unterschiedlichen Bereichen systematisch zu bewerten.

Die Entwicklung neuer Medikamente ist teuer und zeitaufwendig. Deshalb gewinnt die frühzeitige Vorhersage, ob ein Wirkstoff die Zulassung erhält, immer mehr an Bedeutung. Das neue Modell DrugReasoner setzt hier neue Maßstäbe, indem es nicht nur präzise Vorhersagen liefert, sondern auch nachvollziehbare Begründungen anzeigt.

Large Language Models (LLMs) sind wegen ihrer enormen Größe und Rechenintensität schwer in ressourcenbeschränkten Umgebungen einsetzbar. Um diese Modelle praktikabler zu machen, setzen Entwickler auf Kompressionstechniken, wobei die Low‑Rank‑Faktorisierung mittels Singular Value Decomposition (SVD) besonders beliebt ist. SVD reduziert die Parameterzahl, indem Gewichtsmatrizen angenähert werden, doch dabei wird häufig die funktionale Leistung des Modells stark beeinträchtigt, weil die verlorenen Informationen nicht korrigiert werden.

Große Sprachmodelle (LLMs) haben in den letzten Jahren enorme Fortschritte erzielt, bringen jedoch gleichzeitig enorme Modellgrößen mit sich, die die Bereitstellung, Skalierbarkeit und Energieeffizienz stark belasten. Um diesen Herausforderungen zu begegnen, gewinnt das Post-Training‑Pruning an Bedeutung, weil es die Modellgröße und die Inferenzlatenz reduziert, ohne dass ein erneutes Training erforderlich ist.

Die manuelle Erstellung des „Impression“-Abschnitts in Radiologieberichten ist ein wesentlicher Faktor für die Belastung von Radiologen. Um diesem Problem entgegenzuwirken, wurde ein neues, schrittweises Verfahren entwickelt, das Open‑Source‑Large‑Language‑Models (LLMs) nutzt, um Impressionen automatisch zu generieren und individuell anzupassen.

Ein einzelnes GPU kann in drei bis fünf der schnellsten Switch‑Ports umgewandelt werden – ein Verhältnis, das die Nachfrage nach Hochgeschwindigkeitsnetzwerken explodieren lässt. Wer also von dieser Entwicklung profitiert, ist leicht zu erkennen.