KI News: Kurz und klar.

Die Sicherheit großer Sprachmodelle hängt zunehmend von der Fähigkeit ab, gezielt Wissen zu löschen – ein Prozess, der als Machine Unlearning bezeichnet wird. Für die neueste Architektur, die Mixture-of-Experts (MoE), stoßen bisherige Methoden jedoch an ihre Grenzen, weil sie die Router manipulieren, um Anfragen von kompetenten Experten abzulenken, statt das Wissen tatsächlich zu entfernen. Das führt zu einem Verlust an Modellleistung und nur oberflächlichem Vergessen.

Große Sprachmodelle (LLMs) erreichen inzwischen nahezu menschliche Leistungen, doch bei komplexen mathematischen Beweisen und langfristigen Planungen geraten sie häufig in einen sogenannten „Reasoning Collapse“. Dabei verfällt das Modell in eine niedrigrangige Bias‑Manifold, sodass zufällige Stichproben lediglich lexikalische Varianten fehlerhafter Logik erzeugen, anstatt semantisch neue Lösungswege zu erkunden. Dieses geometrische Zusammenfallen macht das System blind für wertvolle Lösungen, die im Nullraum des Modells liegen.

Ein neues geometrisches Modell beschreibt, wie Menschen und künstliche Systeme ihre Überzeugungen, Motivationen und Einflüsse in unterschiedlichen kognitiven Räumen verarbeiten. Jeder Agent besitzt einen individuellen Wertebereich, der als Vektorraum die inneren Dimensionen seiner Interpretation und Bewertung von Bedeutung abbildet.