- I Gave a Local LLM 650 of My Notes. Keyword Search Still Beat It Sometimes.
Der Autor berichtet, dass semantische Suche in seinen kleinen Tests Umschreibungen besser fand, Stichwortsuche aber exakte Zeichenfolgen, weshalb er beide parallel nutzt.
- I kept building LLM apps that worked in demos and broke in production.
Der Beitrag empfiehlt, LLM-Anwendungen vor allem durch sorgfältige Auswahl, Pflege und Überwachung ihres Kontexts verlässlicher zu machen; die Begründung beruht hauptsächlich auf Praxiserfahrungen und einem knapp referierten Studienergebnis.
- Strands Decider: A small, fast decision model for agentic AI.
Der vollständige Bericht beschreibt Strands Decider für schnelle strukturierte Agentenentscheidungen und führt Leistungswerte an, deren Konfidenz und Schwellen laut Autor am jeweiligen Einsatz geprüft und angepasst werden sollten.
- Forget Udemy: Claudemy Is Changing How You Learn AI and Master Claude Code
Claudemy soll Online-Recherche in personalisierte Audiolektionen verwandeln, bleibt laut Bericht aber wegen möglicher Fehler und der Grenzen von Audio allein auf sorgfältige Prüfung und praktische Ergänzung angewiesen.
- Stop Rewriting Skills: Use NotebookLM to Build Claude Skills in Minutes
Der Beitrag empfiehlt, NotebookLM aus ausgewählten Quellen spezialisierte, wiederverwendbare Claude-Code-Skills erstellen zu lassen, belegt deren Nutzen aber nicht empirisch.
- ChatGPT Has Quietly Built a File on You: 7 Prompts to See What’s Inside (And Delete What You Don’t Want)
Der Bericht empfiehlt, ChatGPT nach gespeicherten und abgeleiteten Informationen zu fragen und Erinnerungen bei Bedarf über die Einstellungen zu löschen, belegt die Genauigkeit solcher Auskünfte aber nicht.
- A 15M Parameter Model Just Humiliated Billion-Dollar AI Infrastructure
Laut Bericht zeigt LeWorldModel, dass ein kleines JEPA-Modell bei manchen Steuerungsaufgaben leistungsfähig sein kann, doch die Aussagen sind durch kurze Planungshorizonte, Datenbedarf, eine schwächere 3D-Leistung und widersprüchliche PushT-Zahlen eingeschränkt.
- I ran a 35-billion-parameter AI model at 128 tokens per second on a $429 GPU
Der Beitrag behauptet, ein 35B-Modell lasse sich mit spezieller Quantisierung auf einer 16-GB-GPU lokal schnell betreiben, stützt die Leistungs- und Qualitätsangaben aber auf eigene, nicht unabhängig überprüfte Tests.
- Why Your AI Agent Needs a Database, Not a Folder
Der Beitrag empfiehlt Datenbanken als strukturierte Wissensbasis für Agenten, doch seine weitreichenden Vorteile werden überwiegend argumentiert und nur mit einem begrenzten SQLite-Beispiel veranschaulicht.
- The ML Field You Have Never Heard Of
Der vollständige Bericht erklärt GGML anhand von GPT-2 als speicherkontrollierten Ansatz für Modellinferenz, belegt seine Leistungsversprechen jedoch nicht mit eigenen Messungen.
- Build a Multimodal Healthcare Agent with Grok Text-to-Speech
Der vollständige Bericht beschreibt einen technischen Praxisempfangs-Demonstrator mit Grok TTS, dessen medizinische Einschätzungen weder überprüft sind noch mit den eigenen Vorgaben widerspruchsfrei zusammenpassen.
- Intro to SwiftData using SwiftUI
Eine grundlegende SwiftData-Anleitung für SwiftUI zeigt Speichern, Anzeigen, Sortieren und Filtern von Aufgaben und erwähnt den damals noch unpraktischen Zugriff aus ViewModels.
- Swift Vapor — Add a Post Endpoint to your API
Ein vollständiges Swift-Vapor-Beispiel legt über POST neue Datenbankeinträge an, weist vorhandene IDs zurück und lässt Migration sowie weitergehende Fehlerbehandlung offen.
- A public birth certificate for your AI agent
Das Zertifikat belegt laut Bericht Zeitpunkt und Fingerabdruck, schätzt Urheberschaft und trifft keine Aussage über Eigentumsrechte.
- Content Credentials Explained: Verify a C2PA Signature
Content Credentials können Herkunftsangaben und Veränderungen einer Datei prüfbar machen, bestätigen laut Bericht aber weder die Wahrheit des Inhalts noch, dass alle Entstehungsschritte erfasst wurden.
- Say Shibboleth: Fingerprinting the LLMs and Harnesses Behind Agentic Attacks
Der bereitgestellte Text ist nur der Abstract; laut diesem lassen sich Modelle und Harnesses hinter agentischen Angriffen in den beschriebenen Versuchen mit 90 beziehungsweise 92 Prozent Genauigkeit fingerprinten.
- Map of Science
Der vorliegende Auszug stellt eine öffentliche, regelmäßig aktualisierte Forschungskarte vor, nennt aber keine näheren Belege für ihre berichteten Verbesserungen oder Vorhersagen.
- AI and System Evolution in CPD: Integrating CHAT with a Unified Theory of Emergent System Evolution
Der Beitrag schlägt einen theoretischen Rahmen vor, nach dem KI über Spannungen systemisches Lernen und Veränderungen in der Gesundheitsfortbildung anstoßen kann, dessen Nutzen jedoch noch empirisch geprüft werden muss.
- Rails testing on autopilot: Building an agent that writes what developers won't
Laut den Autoren verbesserte ein autonomer Rails-Agent in einem Repository mit 275 Dateien Tests und erreichte 100 Prozent Abdeckung, wobei die Sprachmodellbewertung nur ein begrenzter Qualitätsmaßstab ist.
- Eliciting Latent Predictions from Transformers with the Tuned Lens
- Interpreting emergent planning in model-free reinforcement learning
- Fast reinforcement learning through the composition of behaviours
GPE und GPI sollen gelernte Strategien für neue Ziele kombinieren und so die Anpassung im Reinforcement Learning beschleunigen, wobei die Möglichkeiten vom bereits Gelernten abhängen.
- How Claude's text watermarking works
Anthropic will mit einem für Lesende unsichtbaren statistischen Textmuster Claudes mögliche Mitwirkung erkennbar machen, betont aber, dass die Methode nur Wahrscheinlichkeiten liefert und bei wenig freier Wortwahl an Grenzen stößt.
- Stacking our way to more general robots
RGB-Stacking soll bildgestütztes Roboterstapeln auf vielfältige Objekte prüfen; DeepMinds Verfahren erzielte laut Bericht 54 Prozent Erfolg bei neuen Objekten, während Verallgemeinerung ungelöst bleibt.
- Challenges in predicting AI automation
Die Verfahren zur Vorhersage von KI-Automatisierung unterscheiden sich stark, und die bisherige Evidenz reicht laut Bericht nicht aus, um ihre Genauigkeit zuverlässig zu bestimmen.
- Why doesn't Streams use AI?
DeepMind begründet Streams als erste Antwort auf Kommunikations- und Arbeitsablaufprobleme im Krankenhaus; die geplante KI-Forschung am Royal Free wurde nicht umgesetzt, und konkrete Verbesserungen der Behandlung belegt der Beitrag nicht.
- https://raw.githubusercontent.com/xai-org/grok-prompts/main/grok4p1_thinking_system_turn_prompt_v2.j2
Eine Jinja-Vorlage beschreibt Groks Antwortregeln und bedingte Fähigkeiten; ihre Aussagen werden im Bericht nicht unabhängig überprüft.
- Creating a Map of Science and Measuring the Role of AI in it
CSET ordnet wissenschaftliche Arbeiten zu Zitierclustern und schätzt deren KI-Anteile, empfiehlt für belastbarere Analysen aber Cluster mit mindestens 50 Prozent klassifizierten Arbeiten und höchstens 20 Jahren Alter.
- Before You Apply to Another Job, Build This Claude Skill
Der Autor berichtet, dass seine Claude-Skill 161 Stellenanzeigen bewertet und zehn Bewerbungsvorschläge erstellt habe; die Ergebnisse seien vor dem Versand noch zu prüfen und zu überarbeiten.
- Is Automated Betting Profitable?
Laut der historischen Auswertung des Autors war der Corners-Race-Bot profitabel, doch die Ergebnisse schwankten stark und erlauben keine Garantie für künftige Gewinne.
- I Stopped Reading Third-Party API Docs Cover to Cover. NotebookLM Reads Them First Now.
NotebookLM erleichtert laut Autor die Vorbereitung von API-Integrationen, ersetzt aber weder die Prüfung widersprüchlicher Quellen noch die eigene Verantwortung für Code und Tests.
- The AI Layoff Trap: Why Companies May Automate Even When Everyone Loses
Laut dem im Bericht beschriebenen Modell kann Wettbewerb Firmen zu übermäßiger KI-Automatisierung verleiten, weil sie Einsparungen vereinnahmen, aber den gesamten Nachfrageverlust nicht tragen.
- DeepSeek Distillation Claims Explained and Analyzed
Laut Bericht sprechen öffentliche Angaben dafür, dass DeepSeek wahrscheinlich einige Antworten amerikanischer KI-Modelle nutzte, doch Umfang und Wirkung bleiben ungeklärt und ein Zugriff auf Code oder Gewichte ist nicht belegt.
- Hugging Face
Die Modellkarte stellt Gemma 4 12B Unified als multimodales Modell mit langem Kontext und guten Benchmarkwerten dar, nennt aber auch mögliche Verzerrungen, Fehler und Grenzen bei komplexen Aufgaben.
- gpt-oss-120b & gpt-oss-20b Model Card
Die Model Card berichtet über leistungsfähige offene Schlussfolgerungsmodelle mit benannten Sicherheitsgrenzen und kommt anhand der beschriebenen Tests zu dem Schluss, dass sie interne Schwellen für hohe Fähigkeiten in drei Risikobereichen nicht erreichen.
- Biological sequence models in the context of the AI directives
Der Bericht sieht stark wachsende Rechen- und Datenbestände bei biologischen Sequenzmodellen und diskutiert eine mögliche, rechtlich nicht abschließend geklärte Lücke bei Modellen, die zwar viele biologische Daten nutzen, aber nicht überwiegend damit trainiert werden.
- Expanding our analysis of biological AI models
Laut Epoch AI bietet die Datenbank einen Überblick über 1.196 biologische KI-Modelle, zeigt aber selten dokumentierte Schutzmaßnahmen, deren Wirksamkeit die Untersuchung nicht prüfte.
- OpenAI o1 System Card
OpenAI beschreibt o1 als in vielen Sicherheitstests verbessert, stuft es aber wegen verbleibender Risiken insgesamt als mittleres Risiko ein und warnt, dass die Prüfungen mögliche Fähigkeiten nur unvollständig erfassen.
- Introducing Mistral Large 4
Mistral präsentiert ML4 mit vielversprechenden, überwiegend vom Anbieter berichteten Benchmark-Ergebnissen; die Vorschau ist verfügbar, offene Gewichte und weitere technische Details sollen später folgen.
- Sora 2 System Card
OpenAI zufolge bietet Sora 2 neue Video- und Audiofunktionen mit mehreren Schutzebenen, doch Tests und Maßnahmen schließen schädliche oder täuschende Ausgaben nicht vollständig aus.
- Apple Intelligence Foundation Language Models
Der Auszug stellt Apples Geräte- und Servermodelle für Apple Intelligence vor, enthält aber keine konkreten Evaluationsergebnisse oder den vollständigen Bericht.
- Where the goblins came from
OpenAI zufolge verbreiteten sich Goblin-Metaphern durch ein Belohnungssignal für den „Nerdy“-Stil und wurden mit Änderungen an Training und Codex-Anweisungen eingedämmt.
- DALL·E 2 pre-training mitigations
OpenAI beschreibt Filter, Gewichtung und Deduplizierung als Maßnahmen gegen problematische Ausgaben, filterbedingte Verzerrungen und die Wiedergabe von Trainingsbildern, betont aber verbleibende Grenzen und Forschungsbedarf.
- https://arxiv.org/pdf/2005.14165
Die Notizen beschreiben GPT‑3s teils starke, aber aufgabenabhängige Few‑Shot-Leistung und betonen Einschränkungen durch Schwächen einzelner Aufgaben, mögliche Datenkontamination und unvollständige Erläuterungen in den Anhangsauszügen.
- OpenAI o1 System Card
OpenAI zufolge verbessert o1 viele Sicherheitsmesswerte, birgt aber in bestimmten Bereichen mittlere Risiken, und die Tests erfassen mögliche Gefahren nur begrenzt.
- Post by @Marcus_J_W on X
- Customizing models for legal professionals
OpenAI und Harvey berichten, dass ein mit US-Rechtsprechung erweitertes Modell in Kanzleivergleichen gegenüber GPT‑4 bevorzugt worden sei; unabhängige Prüfangaben nennt der Bericht nicht.
- Hugging Face
Clef ist laut Bericht ein multimodales Entscheidungsmodell, dessen gemischte Benchmark-Ergebnisse je nach Aufgabe unterschiedliche Spitzenmodelle zeigen.
- Hugging Face
Clef-Flash ist ein multimodales Modell für strukturierte Entscheidungen, dessen berichtete Benchmarkleistung je nach Aufgabe variiert.
- 阶跃星辰开放平台
Step 5 Preview soll laut seinen Entwicklern lange Agentenaufgaben durch ein tiefes Modell, sparse Aufmerksamkeit und angepasste Daten- und RL-Verfahren effizienter bewältigen; die berichteten Ergebnisse sind interne Angaben und das System bleibt in Entwicklung.
- 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.
- Terminal X matches senior investor judgment 88.6% with GPT-6.1
Terminal X zufolge überführen seine KI-Agenten das Investitionswissen von Firmen in nachvollziehbare Abläufe; die berichteten Leistungs- und Einsparungswerte beruhen auf Unternehmensangaben.
- 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.
- Kimi K3 Really Does Run on a 4GB GPU. A 500-Token Answer Takes 42 Hours.
Kimi K3 lässt sich laut Bericht mit wenig VRAM ausführen, doch der Autor hält die extrem lange Laufzeit und den hohen Speicherbedarf für praktische Grenzen und sieht den Hauptnutzen eher in Forschung und Modellinspektion.
- Scalable Active Learning for Autonomous Driving
Laut NVIDIA verbesserte Active Learning in einem einzelnen Nachtexperiment die Erkennung von Fahrrädern und Fußgängern gegenüber manueller Datenauswahl, doch die Autoren sehen weitere Langzeittests als nötig an.
- Introducing Mistral Small 4
Mistral kündigt Small 4 als offenes Modell für Chat, Schlussfolgern, Bilder und Programmierung an und berichtet Leistungs- und Effizienzvorteile, die der Artikel nicht durch eine vollständige Methodik oder unabhängige Prüfung belegt.
- Uncovering Latent Human Wellbeing in LLM Embeddings
- Archetypal SAE: Adaptive and Stable Dictionary Learning for Concept Extraction in Large Vision Models
- DeepMind AI Reduces Google Data Centre Cooling Bill by 40%
Laut Google und DeepMind senkte ein KI-System im getesteten Rechenzentrum den Kühlenergiebedarf um 40 Prozent; der überlieferte Text endet mit einer abgebrochenen Bildbeschreibung.
- 🚀 Introducing DeepSeek-V3 | DeepSeek API Docs
DeepSeek bewirbt V3 mit Leistungs- und Geschwindigkeitssteigerungen, nennt technische Eckdaten und neue API-Preise, lässt aber Vergleichsbelege und das Jahr des Preisstichtags offen.
- 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.
- Hugging Face
Der vorliegende Auszug stellt GLM-5.3-Flash vor und gibt Anbieterbehauptungen zu Leistung und Effizienz sowie Benchmarkwerte unter unterschiedlichen Testbedingungen wieder.
- Hugging Face
Der Bericht beschreibt MiniMax-M3.1-Flash als effizienzorientiertes multimodales Modell mit gemischten Benchmark-Ergebnissen, deren Vergleichbarkeit durch unterschiedliche Testbedingungen begrenzt ist.
- Hugging Face
Kimi K3.1 Pro wird als großes multimodales Agentenmodell vorgestellt, dessen gemischte Benchmarkresultate wegen unterschiedlicher Testbedingungen nur eingeschränkt vergleichbar sind.
- Hugging Face
Kimi K3 wird als großes offenes multimodales Agentenmodell vorgestellt; die Benchmarkresultate sind gemischt und wegen uneinheitlicher Testbedingungen nur begrenzt direkt vergleichbar.
- Hugging Face
Die Hugging-Face-Seite präsentiert MiMo-V2.6-Flash-RL als multimodales, gemeinsam per RL trainiertes Modell und berichtet gemischte Benchmarkergebnisse, deren Methoden nicht näher erläutert werden.
- 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.
- Hugging Face
Der Bericht präsentiert DeepSeek-V4.1-Flash als cache-effizientes multimodales Modell mit gemischten Benchmarkresultaten, die der Anbieter unter eigenen Testbedingungen ausweist.
- Hugging Face
Laut Modellseite übertrifft Nimble-v4-max v4.1 im öffentlichen Decision Index 0.3 die Vorgängerversion, benötigt spezielle Inferenz und leistungsstarke GPU-Hardware und darf nach CC BY-NC 4.0 nicht kommerziell genutzt werden.
- Model Cards and Prompt formats
- Hugging Face
Der Bericht zufolge ist „Laya Multilingual“ für viele nichtenglische Entscheidungsaufgaben nützlich, doch Wahrscheinlichkeiten und Ergebnisse müssen wegen deutlicher Einschränkungen auf eigenen Daten geprüft werden.
- Hugging Face
Laut Bericht erzielt Laya Typed-Decisions auf vier synthetischen Abläufen gute Testgenauigkeit, ist aber spezialisiert und seine Wahrscheinlichkeiten sind bis zur Neukalibrierung als unzuverlässig zu behandeln.
- DeepSeek-Prover-V2: Advancing Formal Mathematical Reasoning via Reinforcement Learning for Subgoal Decomposition
DeepSeek-Prover-V2 zerlegt mathematische Beweise in Lean-Teilziele und erzielt laut Bericht starke Benchmarkwerte, deren Aussagekraft durch Auswertungsfehler, Aufgabenfilter und unterschiedliche Testbedingungen begrenzt ist.
- More on Dota 2
Laut OpenAI besiegte ein per Selbstspiel trainierter Bot Dota-2-Profis im 1-gegen-1, blieb aber anfällig für ungewohnte Strategien; 5 gegen 5 war noch ungelöst.
- Start Up Guide to Amazon Personalize
Eine praktische MovieLens-Anleitung demonstriert Amazon Personalize für Filmempfehlungen, ohne die Qualität der Ergebnisse systematisch zu messen.
- Category-Native Solomonoff Approximation: From Algorithmic Geometry to Kernels, Operators, and Induction
Der Bericht bietet eine bedingte metrisch-maßtheoretische Fallstudie zu berechenbaren Solomonoff-Näherungen, belegt aber weder allgemeine Vorhersageüberlegenheit noch einen Vorteil auf realen Daten.
- Hugging Face
Laut Anbieter ist d3-ultra stark bei Textentscheidungen und Diagramm-Boxen, während d3-turbo im privaten SR-Box-Test insgesamt besser abschneidet.
- GTIG AI Threat Tracker: From Prompting to Autonomy – The Evolution of Adversarial AI
Laut GTIG nutzen Angreifer KI zunehmend zur Automatisierung von Cyberangriffen, doch vollständig autonome Exploit-Pipelines und erfolgreiche interaktive Einflussbots wurden in den beschriebenen Beobachtungen nicht festgestellt.
- A Primer on the EU AI Act: What It Means for AI Providers and Deployers
OpenAI erläutert Verbote, Risikoklassen, Pflichten und Fristen des EU AI Act und berichtet über eigene Compliance-Schritte, wobei der Überblick zeitgebunden ist und Umsetzungsdetails offenließ.
- National Standard of the People's Republic of China: Cybersecurity Technology - Basic Safety Requirements for Generative Artificial Intelligence Services
Der bereitgestellte Auszug stellt Chinas Standard GB/T 45654—2025 für die Sicherheit generativer KI vor und berichtet über CSETs Zweifel an seiner Durchsetzbarkeit.
- From scraping to ethical sharing: Initial considerations for Virtuous Innovative Approaches and Data Use Collaboration in AI Training (VIADUCT)
Der vorliegende Auszug zufolge reichen bisherige Lösungen für die rechtlich und ethisch umstrittene Beschaffung von KI-Trainingsdaten nicht aus; nötig sei eine kontextbezogene Governance.
- Translation Snapshot: Chinese Generative AI Safety Standards
CSETs Überblick beschreibt chinesische GenAI-Sicherheitsstandards, ihre politische Ausrichtung und die Grenzen der verfügbaren Texte, während die praktische Befolgung laut Bericht unklar bleibt.
- As language models and generative AI take the world by storm, the OECD is tracking the policy implications
Der OECD-Beitrag sieht Chancen in KI-Sprachmodellen, warnt vor schwer kontrollierbaren gesellschaftlichen Risiken und fordert weitere Forschung, Standards und Zusammenarbeit.
- The AI data scraping challenge: How can we proceed responsibly?
Der Bericht empfiehlt, die Chancen und Risiken des KI-Datenscrapings mit einer Kombination aus Recht, Verträgen, Technik, Verhaltenskodizes und Bildung anzugehen.
- Poison in the Well
Der bereitgestellte Auszug warnt laut Autor vor schwer erkennbaren Manipulationen an ML-Werkzeugen, Modellen und Datensätzen und empfiehlt staatliche Maßnahmen zur Erkennung und Verringerung dieser Lieferkettenrisiken.
- Andrew Lohn's Testimony before House of Representatives Science, Space and Technology Subcommittees
Andrew Lohn warnt vor Sicherheitsrisiken durch die offene KI-Lieferkette und empfiehlt vertrauenswürdige Ressourcen, Prüfungen, Komponentenübersichten und KI-Fachleute für staatliche Sicherheitsteams.
- The argument for holistic AI audits
Der Beitrag empfiehlt umfassende KI-Audits, die technische Ergebnisse und Governance gemeinsam prüfen, weil jeder Ansatz für sich wichtige Risiken übersehen kann.
- The AI data challenge: How do we protect privacy and other fundamental rights in an AI-driven world?
Der Bericht empfiehlt, KI-Datenzugang mit Grundrechtsschutz durch menschenzentrierte Regeln, Durchsetzung, gemeinsame Standards und weitere Schutzmaßnahmen zu verbinden, weist aber auf offene Fragen und unterschiedliche Positionen zur Regulierung hin.
- A law for foundation models: the EU AI Act can improve regulation for fairer competition
Der Beitrag plädiert für einen gezielten EU AI Act, der besonders leistungsfähige foundation models reguliert und Risiken begrenzt, ohne kleinere Anbieter zu benachteiligen.
- What do AI systems and cows have in common?
Der OECD-Beitrag stellt einen noch weiterzuentwickelnden Rahmen vor, der konkrete KI-Anwendungen anhand von Menschen, Kontext, Modellen, Daten und Autonomie klassifiziert, um Risiken besser sichtbar zu machen.
- Moonshot Limits Kimi Model’s Hacking Capabilities
Moonshot zufolge senken Schutzmaßnahmen die offensiven Cyberfähigkeiten von Kimi K3.1 Pro, doch der angeführte interne Benchmark ist laut Bericht nicht unabhängig überprüft; offene Gewichte bleiben schwer zu beaufsichtigen.
- Model Cards as Security Route-Admission Inputs
- Mistral Large 4 (Le Chonk) is now open weight
Mistral veröffentlicht Large 4 als anpassbares Open-Weight-Modell und meldet Benchmarkfortschritte, räumt aber ein mögliches Cyber-Missbrauchspotenzial ein und verlangt für kommerzielle Model-as-a-Service-Angebote eine separate Lizenz.
- Anthropic’s Claude Agents Find a Training-Monitor Gap
- Governed Hybrid Agency: A Critical Evidence Map of Cognitive Architectures for Foundation-Model Agents\n\t\t\t\t\t\t\t| Journal of Artificial Intelligence Research
- Post by @emollick on X
- Six AI Governance Priorities for 2026
Ein unvollständiger PAI-Bericht empfiehlt sechs Handlungsfelder für die KI-Governance 2026, von sicherer Agentenaufsicht bis zu internationaler Zusammenarbeit und öffentlicher Beteiligung.
- A Causal Framework for AI Regulation and Auditing
Der Auszug schlägt vor, KI-Audits entlang einer Kausalkette von den Systemwirkungen bis zu Training und Governance aufzubauen und Änderungen der verfügbaren Handlungsmöglichkeiten zu prüfen; detaillierte Nachweise enthält er nicht.
- Questions and answers on the code of practice for General-Purpose AI
Der Auszug erklärt Zweck, Themen und Zeitplan des freiwilligen EU-Kodex für GPAI-Anbieter und endet mit einer unbeantworteten Frage nach weiteren Informationen.
- Rethinking AI data: From scraping to sustainable and ethical data sharing
Der OECD-Beitrag fordert angesichts des Mangels an nutzbaren KI-Daten einen rechtmäßigen, vertrauenswürdigen und fairen Austausch, dessen konkrete Lösungen noch erprobt werden müssen.
Sprache und Prüfstand
Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.
Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.
Sprachabdeckung und Datenstand ansehen →