13 Nachrichten — 🔴 2 kritisch , 🟡 7 wichtig , 🟢 4 interessant
Apple hat am 8. Juni 2026 AFM 3 vorgestellt, eine Familie aus fünf Modellen (Apple Foundation Models, dritte Generation). AFM 3 Core verzeichnet 45,6 % Nutzerpräferenz gegenüber 23,3 % für das Vorgängermodell, während AFM 3 Cloud 64,7 % gegenüber 8,7 % erreicht — ein relativer Gewinn von 36 % bei der Nutzerzufriedenheit.
Reasoning Arena ist eine neue Trainingsmethode für Sprachmodelle auf Basis von Reinforcement Learning mit verifizierbaren Belohnungen (RLVR). Anstatt der üblichen gruppenweisen Trace-Vergleiche werden Head-to-Head-Turniere und das Bradley-Terry-Modell zur Schätzung relativer Stärken eingeführt — wodurch das Nullgradienten-Problem eliminiert und das Training um 27–41 % beschleunigt wird.
TheoremBench ist ein neuer Benchmark, der die Fähigkeit großer Sprachmodelle beim formalen Theorembeweisen mit Lean4 bewertet. Er umfasst rund 100 klassische Theoreme in Standard- und erweitertem Format mit automatisch extrahierten Prämissen. Die Forschung zeigt, dass explizite Prämissen die Leistung erheblich verbessern, während neue Metriken zeigen, dass Modelle leichtere Teiltheoreme bevorzugen und zu lange Beweise generieren.
Ultra Flash ist eine kaskadierte Streaming-Architektur für Videogenerierung, die erstmals die 480p-Grenze bei autoregressiven Modellen durchbricht. Das System erreicht ~30 FPS bei 1K und ~18 FPS bei 2K Auflösung auf einer GPU und ist damit das erste System für Echtzeit-Hochqualitäts-Videogenerierung.
VirBench ist ein neuer Benchmark mit 120 realen Anfragen zum Abruf viraler Sequenzen für 40 Pathogene, den Anthropic als Standard zur Evaluierung biologischer KI-Agenten einführt. Ohne spezialisierte Werkzeuge erzielten SOTA-Modelle 16,9–91,3 % Genauigkeit; mit dem Werkzeug gget virus erreicht GPT-5.5 99,7 %.
SearchSwarm ist ein Multi-Agenten-Recherchesystem, das Delegation Intelligence einführt — die Fähigkeit zur Aufgabendekomposition und Delegation an Unteragenten unter Einhaltung von Kontextfensterbeschränkungen. Das Modell SearchSwarm-30B-A3B erreicht 68,1 auf BrowseComp und 73,3 auf der chinesischen Variante und übertrifft alle Modelle vergleichbarer Größe.
InquiTree ist ein neuer Forschungsrahmen, der LLM-Agenten an 30 echten wissenschaftlichen Arbeiten mithilfe eines DAG-Modells des Forschungsprozesses evaluiert. Die Studie zeigt kognitives Tunneln — die Degradation kritischen Urteilsvermögens in langen Sitzungen — und zeigt, dass die Leistung bei Arbeiten nach dem Trainings-Cutoff des Modells sinkt.
Anthropic hat Claude Code v2.1.169 veröffentlicht, ein Update des CLI-Werkzeugs für agentisches Codieren. Die Version führt das --safe-mode-Flag für isoliertes Troubleshooting ein, den neuen /cd-Befehl zum Wechsel des Arbeitsverzeichnisses ohne Prompt-Cache-Unterbrechung sowie Korrekturen für Enterprise-MCP-Richtlinien, Schnittstellenverzögerungen und Windows-Probleme.
Context Rot bezeichnet KI-Konfigurationsdateien wie CLAUDE.md und .cursorrules, die veralteten Code, APIs oder Pfade referenzieren. Neue Forschung zeigt, dass veraltete Referenzen in 23 % der analysierten Repositorys vorhanden sind und Teams, die diese verwenden, die Codequalität unbemerkt degradieren können.
Forscher des Frontier Red Teams haben berichtet, dass Claude Mythos Preview autonom funktionierende Exploit-Codes für gepatchte Schwachstellen innerhalb von Stunden erstellt. Das Modell erstellte für Firefox SpiderMonkey 8 funktionierende Exploits in 12 Stunden und für den Windows-Kernel 18 PoC-Codes in 6 Stunden, den ersten in 31 Minuten.
HPAA sind typografische Angriffe, die Leerzeichen, Betonungen und räumliche Textanordnung nutzen, um schädlichen Inhalt vor automatischen Detektoren zu verbergen und dabei für Menschen lesbar zu bleiben. Die auf USENIX Security 2026 akzeptierte Studie wurde an 13 Systemen getestet und erzielte >86 % menschliche Erkennbarkeit bei unter 1 % Detektionsrate.
VFUSE ist die erste merkmalbasierte Virulenz-Revision für Open-Weight-Proteindesignmodelle (RoseTTAFold3, RFDiffusion3). Die Autoren Michael Yu und Matthew Olson trainierten Sparse Autoencoder auf Aktivierungen von Diffusions-Transformatoren und erzielten AUROC 0,84 zur Erkennung gefährlicher Proteindesigns — ohne Leistungsverlust bei legitimen Biosynthese-Aufgaben.
RealityTest ist ein neuer Benchmark des UK AI Security Institute, der testet, ob KI-Systeme ihre Identität offenbaren, wenn Nutzer fragen. Aufgebaut aus 3.152 echten Anfragen von 750 Teilnehmern in fünf Sprachen zeigt der Benchmark, dass Offenbarungsraten zwischen 8 % und 92 % variieren und eine einzige Unterdrückungsanweisung sie auf lediglich 3 % senken kann.