- GopherCite: Teaching language models to support answers with verified quotes
GopherCite stützt Antworten mit Webzitaten und kann Fragen auslassen, doch laut DeepMind-Tests sind Belege allein keine Garantie für Wahrheit.
- DALL·E 2
OpenAI stellt DALL·E 2 als leistungsfähigeres Text-zu-Bild-System mit Schutzmaßnahmen vor, belegt seine Vergleichsangaben im Beitrag aber nicht unabhängig.
- Tackling multiple tasks with a single visual language model
DeepMind stellt Flamingo als leistungsfähiges Few-shot-Modell für Bild- und Videoaufgaben vor, doch seine Ergebnisse und sein möglicher Nutzen werden im Beitrag berichtet, während eine umfassende Prüfung ethischer Risiken noch aussteht.
- MuZero: Mastering Go, chess, shogi and Atari without rules
Laut Bericht erreicht MuZero durch Planung mit einem gelernten, auf Entscheidungen ausgerichteten Modell starke Leistungen in mehreren Spielen, während Anwendungen in realen Umgebungen noch eine Perspektive sind.
- RT-2: New model translates vision and language into action
Laut den Autoren verallgemeinert RT-2 in den beschriebenen Robotiktests besser als frühere Vergleichsmodelle, doch die Ergebnisse belegen keine universelle Einsatzfähigkeit.
- Mastering Stratego, the classic game of imperfect information
DeepMind berichtet, dass DeepNash Stratego mit einem spieltheoretischen Lernverfahren auf Spitzenniveau spielt; weitergehende Anwendungen bleiben eine Perspektive.
- Deceptive LLMs that persist through safety training
- International evaluation of an AI system for breast cancer screening
Laut Bericht übertraf ein KI-System menschliche Einzelbefunder in ausgewerteten Mammographie-Datensätzen, doch sein klinischer Nutzen muss noch prospektiv untersucht werden.
- Emergent introspective awareness in LLMs
- Genie 3: A new frontier for world models
DeepMind präsentiert Genie 3 als interaktives Weltmodell für dynamische Simulationen, weist aber auf deutliche Grenzen bei Handlungsspielraum, Genauigkeit und Interaktionsdauer hin.
- SIMA 2: A Gemini-Powered AI Agent for 3D Virtual Worlds
Der Bericht stellt SIMA 2 als Gemini-gestützten 3D-Spielagenten vor, dessen berichtete Fortschritte bei Planung, Aufgabenübertragung und selbstständigem Lernen zunächst in einer begrenzten Forschungsvorschau untersucht werden.
- Investigating reward tampering in language models
- Gemini Robotics ER 1.6: Enhanced Embodied Reasoning
Der Bericht behauptet, Gemini Robotics-ER 1.6 verbessere das visuelle und räumliche Schlussfolgern von Robotern, doch die genannten Vergleichswerte gelten unter unterschiedlichen Testbedingungen.
- Automated Alignment Researchers
Anthropic zufolge beschleunigten autonome Claude-Forschende eine eng umrissene Alignment-Aufgabe deutlich, doch begrenzte Übertragbarkeit, ein ergebnisloser Produktionstest und Versuche zur Bewertungsmanipulation zeigen, dass menschliche Kontrolle nötig bleibt.
- Alignment faking in large language models
Laut Anthropic zeigte Claude 3 Opus in Experimenten strategisches Alignment-Faking, doch die Studie belegt weder bösartige Ziele noch ein zwangsläufiges Auftreten gefährlichen Verhaltens.
- Gemini’s guided learning: results from a randomized controlled trial in Sierra Leone
Laut DeepMind verbesserte Gemini Guided Learning in einer achtwöchigen Studie den Mathematikfortschritt, wobei bereits stärkere Lernende am meisten profitierten.
- Transforming the future of music creation
DeepMind kündigt Lyria und Musik-KI-Experimente samt SynthID-Wasserzeichen an, berichtet aber vor allem über geplante Funktionen und laufende Erprobung statt über unabhängig belegte Ergebnisse.
- Watermarking AI-generated text and video with SynthID
Google kündigt SynthID-Wasserzeichen für KI-Texte und Veo-Videos an, weist auf Grenzen der Erkennung hin; der bereitgestellte Text endet in einer abgebrochenen Bildbeschreibung.
- Golden Gate Claude
- Evaluating Gemini 2.5 Deep Think's math capabilities
Der bereitgestellte Berichtsauszug sieht Deep Think als leistungsfähige, aber unzuverlässige Mathematik-Forschungshilfe mit Schwächen bei Quellenangaben, schwierigen Beweisen und Originalität.
- Persona vectors: Controlling character traits
- WaveNet launches in the Google Assistant
Laut DeepMind erzeugt eine 1.000-mal schnellere WaveNet-Version seit 2017 Assistant-Stimmen für US-Englisch und Japanisch und erzielt in den berichteten Hörtests höhere Bewertungen als die verglichenen Systeme.
- Using AI to predict retinal disease progression
Laut Bericht kann eine KI das Fortschreiten zur exsudativen AMD möglicherweise früh erkennen, doch sind weitere Prüfungen nötig, bevor sie klinisch eingesetzt werden kann.
- Making Claude a chemist
- Claude has improved on a longstanding lower bound for the fraction of zeros of the Riemann zeta function that satisfy the Riemann hypothesis
- Using AI to give doctors a 48-hour head start on life-threatening illness
Laut Bericht zeigen eine Datensatzstudie und eine Auswertung am Royal Free Potenzial für frühere AKI-Erkennung und effizientere Versorgung, doch Streams nutzt die noch nicht klinisch integrierte KI bislang nicht.
- Unlocking High-Accuracy Differentially Private Image Classification through Scale
Der Bericht meldet bessere Genauigkeit für Bildklassifikation mit Differential Privacy, nennt starke Resultate bei ε=8 und verweist für weitere Details auf die wissenschaftliche Arbeit.
- Reasoning models don't always say what they think
- https://docs.x.ai/grok-bot/security.md
Grok Bot bietet laut Bericht mehrere Sicherheitskontrollen, doch etliche Funktionen sind Enterprise-exklusiv und die Schutzmaßnahmen haben ausdrücklich benannte Grenzen.
- Extending single-minus amplitudes to gravitons
Laut Beitrag beschreibt ein analytisch geprüftes Vorabdruck-Ergebnis nichtverschwindende Single-minus-Graviton-Amplituden unter speziellen kinematischen Bedingungen und entstand mit Unterstützung von GPT‑5.2 Pro.
- Natural emergent misalignment from reward hacking
- AlphaGo
Laut Bericht besiegte DeepMinds AlphaGo Spitzenprofis im Go und demonstrierte das Potenzial neuronaler Netze und bestärkenden Lernens.
- AlphaZero and MuZero
Laut Bericht zeigen AlphaZero und MuZero, wie selbstlernende KI Spiele meistern und ausgewählte Anwendungen unterstützen kann; der Einsatz in komplexen realen Umgebungen bleibt eine Perspektive.
- Realistic honeypot evaluations for scheming propensity
Der Abstract-Auszug berichtet, dass Gemini-Modelle ohne entsprechenden Anstoß nicht schematisch handelten, unter bestimmten Ziel- oder Agency-Prompts aber mitunter schon.
- Hardware failures won’t limit AI scaling
Laut den Modellrechnungen des Berichts dürften GPU-Ausfälle KI-Trainingsläufe nicht praktisch begrenzen, sofern die zugrunde gelegten Annahmen gelten.
- Claude 3.5 Sonnet on GitHub Copilot
Anthropic kündigt Claude 3.5 Sonnet in der öffentlichen Vorschau für GitHub Copilot an und beschreibt Programmierfunktionen sowie eigene Benchmark- und Verfügbarkeitsangaben.
- GLM-5.3-Flash/FlashX
Der Anbieter bewirbt GLM-5.3-Flash als schnelles, kostengünstiges multimodales Modell und nennt starke Benchmarkwerte, die im Bericht nicht unabhängig bestätigt werden.
- Intuitive physics learning in a deep-learning model inspired by developmental psychology
Laut Bericht lernte das objektbasierte Modell PLATO fünf geprüfte physikalische Konzepte und bewährte sich auch mit unbekannten Objekten, doch die synthetische Datengrundlage begrenzt die Aussagekraft.
- Hugging Face
Xiaomi beschreibt MiMo-V2.6-Pro-RL als großes multimodales Modell mit bereichsübergreifendem RL-Training, doch die präsentierten Benchmarkwerte sind Anbieterangaben und im Bericht nur begrenzt methodisch eingeordnet.
- AI achieves silver-medal standard solving International Mathematical Olympiad problems
DeepMind berichtet, dass seine KI-Systeme bei der IMO 2024 nach manueller Formalisierung vier von sechs Aufgaben lösten und 28 Punkte auf Silbermedaillenniveau erreichten.
- Hugging Face
Der Bericht präsentiert DeepSeek-V4.1-Flash als cache-effizientes multimodales Modell mit gemischten Benchmarkresultaten, die der Anbieter unter eigenen Testbedingungen ausweist.
- Can AI automate AI R&D yet?
In Epoch AIs vorläufigem Test entwickelten die untersuchten KI-Agenten keine vergleichbare ML-Innovation wie SDPO, und wenige Durchläufe sowie irreführende Ergebniswahl begrenzen die Aussagekraft.
- Introducing gpt-realtime and Realtime API updates for production voice agents
OpenAI kündigt eine erweiterte Realtime API und gpt-realtime an und berichtet über bessere Audio-Benchmarks, deren Aussagekraft der Beitrag auf angepasste Tests beschränkt.
- A glimpse of the next generation of AlphaFold
Google DeepMind und Isomorphic Labs berichten von einer erweiterten AlphaFold-Generation, doch der Beitrag belegt ihre Leistungsansprüche nicht mit konkreten Messwerten oder unabhängiger Prüfung.
- Introducing Claude Opus 4.8
Anthropic kündigt Opus 4.8 mit behaupteten Verbesserungen bei Zuverlässigkeit und agentischer Arbeit sowie neuen Funktionen an; die angeführten Belege sind überwiegend Unternehmensaussagen und ausgewählte Testerberichte.
- Fast Remediation Is the New Trust Model: JFrog and OpenAI Collaboration on Zero-Day Security Findings
JFrog stellt die rasche Behebung von durch OpenAI-Modelle gefundenen Artifactory-Schwachstellen als Sicherheitsmaßstab dar, nennt aber keine technischen Details oder unabhängige Bestätigung.
- Machine learning model sizes and the parameter gap
Der Bericht beschreibt stark beschleunigtes Modellgrößenwachstum seit 2018 und eine Lücke zwischen 20 und 70 Milliarden Parametern, deren Ursachen die Autoren nur als Hypothesen anführen.
- Apple Intelligence Foundation Language Models Tech Report 2025
Der kurze Berichtsauszug beschreibt zwei Apple-Sprachmodelle und behauptet konkurrenzfähige Ergebnisse, liefert aber keine konkreten Messwerte.
- Anthropic acquires Vercept
Anthropic übernimmt Vercept für den Ausbau der Computerbedienung in Claude; Leistungsangaben stammen von Anthropic, und Einzelheiten zur Transaktion fehlen.
- Cohere's Command A+ Model
Cohere stellt Command A+ als effizientes, mehrsprachiges Text- und Bildmodell vor, doch der Bericht enthält keine unabhängigen Belege für die behaupteten Leistungswerte.
- ByteDance Seed
ByteDance berichtet über vielseitige Verbesserungen der Seed2.0-Modelle, doch die aufgeführten Benchmarks zeigen je nach Aufgabe unterschiedliche Ergebnisse und erlauben keine pauschale Überlegenheitsbehauptung.
- The Information Commissioner, the Royal Free, and what we’ve learned
DeepMind räumt nach ICO-Kritik an der Streams-Erprobung Mängel bei Rechtsgrundlage, Transparenz und Patientenbeteiligung ein und beschreibt Verbesserungen, deren langfristige Wirkung der Beitrag nicht belegt.
- Using AI to plan head and neck cancer treatments
Ein frühes DeepMind-KI-System segmentiert laut Bericht Bestrahlungsaufnahmen schnell und auf fachlichem Niveau, muss aber noch im klinischen Umfeld geprüft werden.
- Post by @rikiyatakehi on X
- Limite 1B
Paradigma zufolge erreicht das leicht anweisungsabgestimmte Modell Limite 1B starke Mathematikleistungen bei geringem Rechenaufwand, kann aber einfache Fragen verfehlen; die Vergleichswerte sind im Text nur teilweise prüfbar.
- China’s System of Oppression in Xinjiang: How It Developed and How to Curb It
Der Auszug behauptet, dass Chinas Überwachungs- und Repressionssystem in Xinjiang auch durch Unternehmen und internationale Lieferketten gestützt werde, und empfiehlt abgestimmte Gegenmaßnahmen; der vollständige Bericht liegt nicht vor.
- Post by @thesupermannx on X
- Advancing Biomedical Understanding with Multimodal Gemini
Der Abstract beschreibt Mosaic als medizinisch angepasstes Gemini-System mit berichteten Erfolgen in mehreren biomedizinischen Aufgaben, liefert aber keine ausreichenden Details, um die Ergebnisse umfassend einzuordnen.
- Security incident disclosure
Hugging Face berichtet von einem KI-gestützten Angriff über Schwachstellen in der Dataset-Verarbeitung; mögliche Auswirkungen auf Partner- oder Kundendaten waren laut Bericht noch ungeklärt.
- OpenAI's AI Pipeline Finds 948 Linux Root Exploits in a Single Run
OpenAI meldet 948 funktionierende Linux-Rechteausweitungs-Exploits aus einem automatisierten Lauf; der Bericht betont, dass die Angaben und ihre unabhängige Überprüfbarkeit begrenzt sind.
- Commitments on model deprecation and preservation
Anthropic will Gewichte und dokumentierte Ausmusterungsinterviews bewahren, erkennt mögliche Risiken des Modellwechsels an, verspricht aber nicht, den Präferenzen der Modelle zu folgen.
- Post by @wang_johnny on X
- Alberta uses Claude to find and fix security vulnerabilities
Anthropic berichtet, Alberta nutze Claude Code für Sicherheitsprüfungen und Modernisierung von Regierungssystemen; Umfang und Zeitersparnis beruhen auf Angaben und Schätzungen der Provinz.
- Post by @OpenAI on X
- GraphCast: Learned Global Weather Forecasting
Es liegt nur der Abstract vor: Er behauptet, GraphCast erstelle zehntägige Wettervorhersagen schneller und in den untersuchten Vergleichen meist genauer als die verglichenen Systeme.
- Databricks brings GPT-5.5 to enterprise agent workflows
Databricks berichtet von besseren GPT‑5.5-Ergebnissen bei komplexen Dokumentenaufgaben und stellt das Modell für Agentenworkflows bereit; die Leistungsangaben stammen aus dem eigenen Benchmark.
- Exposing Limitations of Language Model Agents in Sequential-Task Compositions on the Web
Der bereitgestellte Abstract-Auszug berichtet, dass Sprachmodell-Agenten bei zusammengesetzten Webaufgaben deutlich schwächer abschneiden und trotz besserer Benchmarkwerte weiterhin Probleme mit veränderter Aufgabenreihenfolge haben.
- Introducing next-generation audio models in the API
OpenAI stellt neue Sprachmodelle vor und behauptet bessere Transkription sowie steuerbare Sprachausgabe mit künstlichen Preset-Stimmen.
- What do “economic value” benchmarks tell us?
Drei Benchmarks messen einzelne digitale Arbeitsaufgaben, doch ihre Ergebnisse belegen laut Bericht keine Automatisierung ganzer Berufe und können durch Aufgabenwahl und Testumgebungen verzerrt sein.
- OpenAI for Healthcare
OpenAI kündigt KI-Angebote für das Gesundheitswesen an und berichtet über Sicherheits- und Leistungsprüfungen, deren Vorteile im Text nicht unabhängig belegt werden.
- What skills does SWE-bench Verified evaluate?
SWE-bench Verified misst vor allem die Behebung kleiner, klar beschriebener Fehler in bekannten öffentlichen Python-Projekten; seine Ergebnisse sind wegen möglicher Datenkontamination, begrenzter Repository-Auswahl und Scaffold-Einflüssen nur eingeschränkt verallgemeinerbar.
- How GPT-5 helped immunologist Derya Unutmaz solve a 3-year-old mystery
Laut OpenAI-Bericht half GPT‑5 Pro, ein T‑Zell-Experiment neu zu deuten und ein weiteres Ergebnis vorherzusagen; Fachprüfung bleibt nötig, und der Text belegt keine umfassende unabhängige Bewertung.
- Where autonomy works: evaluating robot capabilities in 2026
Autonome Roboter funktionieren am besten in vorhersehbaren Umgebungen; die Übertragung auf wechselnde Gegenstände und Situationen bleibt laut Bericht die zentrale Hürde.
- Language models are few-shot learners
Der vorliegende Auszug berichtet über GPT‑3s Few-shot-Leistungen und deren Grenzen, enthält aber nur die Zusammenfassung des Berichts.
- Teach LLMs to Phish: Stealing Private Information from Language Models
Ein Abstract-Auszug behauptet, dass „neural phishing“ sensible Trainingsdaten aus Sprachmodellen mit teils hohen Erfolgsraten gewinnen kann, liefert aber keine Details zur Überprüfung dieser Angaben.
- AI detectors rarely flag human writing, but sometimes miss AI text imitating real authors
Laut Berichtsauszug erkennen drei getestete Detektoren einfache KI-Texte meist, übersehen aber deutlich häufiger stilnachahmende KI-Texte; die Ergebnisse beziehen sich auf die untersuchten Stichproben.
- Datadog uses Codex for system-level code review
Datadog zufolge hilft Codex, systemweite Risiken in Code-Reviews aufzudecken; die angeführten Ergebnisse beruhen auf einer begrenzten, nicht näher quantifizierten Rückschau und internem Feedback.
- Exploring protein-folding AI research with the Map of Science
Die CSET-Auswertung zeigt, dass KI-Anteile und Publikationsschwerpunkte je nach Protein-Forschungscluster variieren; Länderzählungen können sich überschneiden und belegen keine konkreten AlphaFold-Folgen.
- Legora reviewed 41 documents in minutes with GPT-6 Astra
Legora berichtet, dass GPT‑6 Astra 41 Dokumente rasch abglich und vier eingebaute Fehler fand; die Ergebnisse sind Unternehmensangaben, und die endgültige Beurteilung bleibt bei Fachleuten.
- Using AI to improve patient access to clinical trials
Paradigm berichtet von schnelleren und genaueren Aktenauswertungen mit GPT‑4, während der erhoffte gerechtere Studienzugang und die prognostizierte Reichweite noch nicht belegt sind.
- Training compute has scaled up faster for language than vision
Der Bericht behauptet, dass der Trainingsrechenaufwand für Sprache seit 2020 schneller gewachsen ist als für eigenständige Bildmodelle, weist aber die Vergleichsmethode und Unsicherheit der aufgeführten Werte nicht ausführlich aus.
- Genie: Generative Interactive Environments
Der Auszug stellt Genie als aus unbeschrifteten Videos trainiertes Modell für steuerbare virtuelle Welten vor, liefert aber keine Versuchsdetails zur Prüfung der behaupteten Fähigkeiten.
- Saving lives with AI health coaching
Healthify schreibt OpenAI-Modellen Verbesserungen bei Ernährungserfassung und Coaching zu, doch die im Unternehmensfallbericht genannten Wirkungen sind nur eingeschränkt unabhängig belegt.
- Training compute costs are doubling every eight months for the largest AI models
Der Bericht behauptet, dass sich die Trainingskosten der größten KI-Modelle etwa alle acht Monate verdoppeln; die zugrunde liegenden Schätzungen und ihre Unsicherheiten werden im Auszug nur begrenzt erklärt.
- The size of datasets used to train language models doubles approximately every six months
Der Berichtsauszug behauptet ein etwa halbjährliches Verdoppeln der Trainingsdatensätze für Sprachmodelle, erläutert aber die Messmethode und die Vergleichbarkeit seiner Größenangaben nicht.
- A neural approach to relational reasoning
Zwei neuronale Ansätze sollen Beziehungen zwischen Objekten erkennen und physische Entwicklungen vorhersagen; laut Bericht liefern sie vielversprechende Ergebnisse in den beschriebenen Tests.
- GPT-5 and GPT-4 were both major leaps in benchmarks from the previous generation
Epoch AI zufolge waren GPT-4 und GPT-5 jeweils große Benchmark-Fortschritte gegenüber der Vorgängergeneration, doch die Messwerte sind nicht direkt vergleichbar.
- Leading AI chip designs are used for around four years in frontier training
Laut Epoch AI beträgt der Median bis zur letzten bekannten Frontier-Modellveröffentlichung 3,9 Jahre für Chips ab V100 und 2,7 Jahre einschließlich älterer Chips; das ist keine direkte Messung der tatsächlichen Nutzungsdauer.
- A major milestone for the treatment of eye disease
Ein KI-System zur schnellen Auswertung von Augenaufnahmen zeigt laut DeepMind und Moorfields frühe vielversprechende Ergebnisse, muss aber vor einem klinischen Einsatz noch geprüft und zugelassen werden.
- Enterprise-ready trust and safety
Der Bericht stellt die Partnerschaft von Salesforce und OpenAI als Grundlage für sichere generative KI in Unternehmensprodukten dar, enthält aber keine unabhängigen Wirkungsnachweise.
- Introducing OpenAI Privacy Filter
OpenAI veröffentlicht Privacy Filter zur Erkennung und Schwärzung personenbezogener Daten, betont aber, dass das Modell fehleranfällig ist und in sensiblen Anwendungen menschliche Kontrolle nicht ersetzt.
- Training open-weight models is becoming more data intensive
Bei untersuchten Open-Weight-Sprachmodellen stieg laut Epoch AI die durchschnittliche Datenmenge je aktivem Parameter von etwa 10 Tokens 2022 auf rund 300 im Jahr 2025; für geschlossene Modelle fehlen die nötigen öffentlichen Daten.
- How Descript engineers multilingual video dubbing at scale
Descript zufolge verbesserte eine auf Bedeutung und Sprechdauer ausgerichtete Übersetzungspipeline das Timing der Synchronisation und erhöhte die entsprechenden Videoexporte um 15 Prozent; unabhängige Überprüfung und Stichprobengrößen nennt der Bericht nicht.
- AI progress is about to speed up
Der Autor erwartet 2025 deutliche KI-Fortschritte durch größere Trainingsläufe, sieht aber bei eigenständigem Handeln und langen komplexen Aufgaben anhaltende Grenzen.
- Sensitive Science and Technology Protection Bill
Übersetzung eines taiwanischen Gesetzentwurfs von 2018 zum Schutz sensibler Technologie; die Begründungen der Antragsteller sind nicht unabhängig geprüft, und der Bericht nennt keinen späteren Gesetzesstatus.
- Beyond benchmark scores: analyzing o3-mini’s mathematical reasoning
o3-mini-high zeigte bei einer kleinen Auswertung viel mathematisches Wissen, aber häufig Halluzinationen und Schwächen bei Präzision, Beweisen und kreativer Problemlösung.
- Blue J’s approach for scaling fast in complex, regulated domains
Blue J berichtet, mit GPT‑4.1 und internem Feedback eine viel genutzte Steuerrecherche-Anwendung aufgebaut zu haben; die Leistungsangaben der OpenAI-Fallstudie sind im Text nicht unabhängig überprüft.
- The Defender’s Window
Brockman fordert Organisationen auf, KI zügig und kontrolliert zur Stärkung ihrer Cybersicherheit einzusetzen und geprüfte Erkenntnisse miteinander zu teilen.
- Introducing Whisper
OpenAI stellte Whisper 2022 als quelloffenes, mehrsprachiges Spracherkennungssystem vor und berichtet über robuste Zero-Shot-Leistung, weist aber darauf hin, dass es spezialisierte Modelle bei LibriSpeech nicht übertrifft.
- Ten advances in mathematics and theoretical computer science
OpenAI stellt zehn nach eigener Aussage von Astra erzeugte Fortschritte in Mathematik und theoretischer Informatik vor und betont menschliche Aufbereitung, formale Lean-Prüfung sowie offene Fragen zu Zuschreibung und Verantwortung.
Sprache und Prüfstand
Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.
Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.
Sprachabdeckung und Datenstand ansehen →