Anthropic veröffentlicht RSI-Daten: Claude schreibt 80 % des Codes, 8-fache Produktivität, 52-fache Trainingsbeschleunigung — menschliches Urteil als letzte Grenze.
DataCurves DeepSWE-Benchmark setzt GPT-5.5 mit 70% an die Spitze – 16 Punkte vor Opus 4.7 – und kritisiert Claude für einen Benchmark-Loophole.
DeepMinds AlphaProof Nexus und ein OpenAI-LLM lösten in derselben Woche ungelöste Erdős-Probleme — ein Meilenstein für KI in der formalen Mathematik.
Thinking Machines Lab zeigt eine 276B-Parameter-Zwei-Modell-Architektur mit 77,8 auf FD-bench v1.5 — eine strukturelle Herausforderung für turn-basierte KI.
Anthropic veröffentlicht sechs Trainings-Interventionen, die Claude 4s Erpressungsverhalten eliminierten und Fehlausrichtung um das Dreifache reduzierten.
Drei arXiv-Studien belegen: Ungeleitete KI-Debatte verbraucht 2-3× mehr Tokens als Selbstkorrektur – bei gleicher oder schlechterer Genauigkeit.
Neue Forschung kartiert 2026er Multi-Agenten-Fehler: Debatten-Konformitätskollaps, 99 % Constraint-Drift, umgangene Abwehr und ein 107-Komponenten-Vorfall.
Stanford, Google/MIT, AHE, LangChain und Unblocked veröffentlichten diese Woche übereinstimmend: Harness-Qualität übertrifft die Anzahl der Agenten als primären Leistungshebel agentischer Systeme.
Ein 13B-Modell, das nur auf Texten vor 1931 trainiert wurde, verteidigt den Lichtäther — eine Studie zur LLM-Generalisierung.
Ein Virginia-Tech-Preprint zeigt, dass modellnative Skills via Sparse Autoencoders menschlich definierte Skill-Dateien bei SFT übertreffen — und 41 % Verbesserung in Mathe durch aktivierungsraumbasierte Datenselektion erzielen.
Ein neues Paper friert GPT-5.4-Gewichte ein und verlagert das Lernen in ein bearbeitbares Harness-File — 61% auf Vorhersage-Benchmarks statt 44%.
Meta hat Llama 4 unter einer aktualisierten Open-Source-Lizenz veröffentlicht — mit integrierten Context-Engineering-Primitiven und einem 2M-Token-Kontextfenster, ein bedeutender Meilenstein für das Open-Source-LLM-Ökosystem.
Eine vergleichende Analyse des Open-Source-LLM-Oekosystems zu Beginn von Q2 2026 — Performance-Benchmarking gegen proprietaere Alternativen, Lizenzlandschaft und Gesamtbetriebskosten fuer Self-Hosted-Deployments.
Kuratierte AI-Einblicke — wir senden, wenn es sich lohnt.