KI News: Kurz und klar.

Die neueste Veröffentlichung von Forschern auf arXiv (2602.06855v1) stellt AIRS‑Bench vor – ein umfassendes Benchmark‑Set aus 20 Aufgaben, das speziell für die Bewertung von KI‑Agenten im wissenschaftlichen Forschungsprozess entwickelt wurde. Die Aufgaben stammen aus aktuellen Machine‑Learning‑Papers und decken ein breites Spektrum ab, darunter Sprachmodellierung, Mathematik, Bioinformatik und Zeitreihenprognosen.

Ein neues Verfahren namens Online‑Vector‑Quantized (OVQ) Attention wurde vorgestellt, das die Schwächen herkömmlicher Self‑Attention‑Modelle adressiert. Während Self‑Attention bei langen Kontexten hervorragende Ergebnisse liefert, ist es mit quadratischer Rechenkomplexität und linearem Speicherbedarf sehr ressourcenintensiv. Im Gegensatz dazu nutzen lineare Attention‑Methoden und State‑Space‑Modelle (SSMs) nur lineare Rechenkosten und konstanten Speicher, haben jedoch Schwierigkeiten bei der Verarbeitung sehr langer Sequenzen.

Eine neue Veröffentlichung auf arXiv (2511.14823v1) präsentiert ein bahnbrechendes Konzept für die Weiterentwicklung von KI‑Modellen: dynamische verschachtelte Hierarchien. Diese Architektur ermöglicht es Modellen, ihre eigenen Optimierungsstufen, die Verschachtelungsstruktur und die Update‑Frequenzen während des Trainings oder der Inferenz autonom anzupassen.

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.

Die neue Methode DiagECG verbindet Zeitreihenanalyse mit Sprachmodellierung und ermöglicht es großen Sprachmodellen, 12‑Leads‑EKG‑Signale für klinische Textgenerierung zu verarbeiten. Durch die Diskretisierung der kontinuierlichen EKG‑Einbettungen in symbolische Token – mittels eines lead‑unabhängigen Encoders und eines Quantisierungsmoduls – wird das Vokabular des Modells erweitert. So kann das Modell sowohl EKG‑ als auch natürliche Sprachdaten in einer einheitlichen Weise verarbeiten.