Sonntag, 28. Juni 2026

6 Nachrichten — 🟡 2 wichtig , 🟢 4 interessant

🤖 Modelle (3)

🟡 🤖 Modelle 28. Juni 2026 · 2 Min. Lesezeit

GitHub: MAI-Code-1-Flash, Microsofts Coding-Modell, jetzt allgemein verfügbar in Copilot Business und Enterprise

Redaktionelle Illustration: beschleunigter Code-Fluss durch eine Entwicklungsumgebung, ohne Text und Gesichter

MAI-Code-1-Flash ist Microsofts proprietäres Coding-Modell, das am 26. Juni 2026 in GitHub Copilot Business und Enterprise allgemein verfügbar wurde. Es ist für niedrige Latenz und hochfrequente agentische Coding-Workflows optimiert, wird verbrauchsbasiert nach Anbieterpreisliste abgerechnet und muss von Administratoren in den Organisationseinstellungen explizit aktiviert werden.

🟢 🤖 Modelle 28. Juni 2026 · 1 Min. Lesezeit

arXiv:2606.26935: CoT-Trainingsgewinne fließen in stärkere Aktionsvorhersage, nicht in tieferes Agenten-Reasoning

Redaktionelle Illustration: verzweigter Entscheidungsfluss, der sich zu einem klaren Pfad verengt, ohne Text und Gesichter

Studie arXiv:2606.26935 von Jingyu Liu et al. zeigt, dass Trainingsgewinne durch Gedankenketten-Training (CoT) bei LLM-Agenten in stärkere direkte Aktionsvorhersage fließen, nicht in einen breiteren Reasoning-Vorteil. Spätere Checkpoints revidieren die Aktion seltener, und Maskierung der Aufsicht über Action-Tokens verbessert die Out-of-Domain-Generalisierung.

🟢 🤖 Modelle 28. Juni 2026 · 2 Min. Lesezeit

arXiv:2606.26502: Reasoning-Modelle verbrauchen mehr Tokens bei Fehlern – im Gegensatz zu Menschen, die aufgeben

Redaktionelle Illustration: zwei Aufwandskurven, die auseinanderdriften, eine steigt und eine fällt, ohne Text und Gesichter

Studie arXiv:2606.26502 von Han-yu Wang zeigt, dass große Reasoning-Modelle (LRM) mehr Tokens für Aufgaben verbrauchen, bei denen sie scheitern, als für jene, die sie lösen – im Gegensatz zu Menschen, die bei schwierigen Aufgaben aufgeben. Der Abstand ist groß (Cohen's d 1,47–3,13 auf dem H-ARC-Benchmark), und alle fünf getesteten Modelle zeigten das inverse Muster gegenüber Menschen.

🤝 Agenten (1)

🟢 🤝 Agenten 28. Juni 2026 · 1 Min. Lesezeit

arXiv:2606.26806: EVAF konsolidiert Agentenspeicher in Modellparameter für Zielbeständigkeit nach Kontextlöschung

Redaktionelle Illustration: Spuren, die sich in eine netzartige Struktur eingraben und nach dem Löschen erhalten bleiben, ohne Text und Gesichter

Studie arXiv:2606.26806 von Haoliang Han stellt EVAF vor, einen gated-LoRA-Konsolidierungsmechanismus, der langfristigen Sprachagenten das Ziel auch nach dem Löschen des Arbeitskontexts erhält. EVAF benötigt nur 2–3 Parameterschreibvorgänge auf 200 Ereignisse und glänzt bei der Zielbeständigkeit (0,812–0,904), während Abrufsysteme beim faktischen Erinnern führen (0,956–0,973).

🔧 Hardware (1)

🟢 🔧 Hardware 28. Juni 2026 · 1 Min. Lesezeit

AMD: Resource Manager verdrängt automatisch inaktive GPU-Workloads und gibt Ressourcen an den Cluster-Pool zurück

Redaktionelle Illustration: Reihen von GPU-Beschleunigern mit Ressourcenflüssen in einem Rechenzentrum, ohne Text und Gesichter

Der AMD Resource Manager erhielt automatische Verdrängung (Pre-emption): Er überwacht die GPU-Auslastung pro Arbeitslast und unterbricht Jobs unterhalb eines konfigurierbaren Schwellenwerts (z.B. 10%) nach einem festgelegten Idle-Timer (z.B. 15 Minuten). Er bietet zwei Richtlinien – Verdrängung nur unter GPU-Druck oder immer – und gibt Ressourcen inaktiver Entwicklungsumgebungen an den gemeinsamen Pool zurück.

🏥 In der Praxis (1)

🟡 🏥 In der Praxis 28. Juni 2026 · 2 Min. Lesezeit

GitHub: Copilot Agentic Harness erreicht Vendor-Niveau mit geringerem Token-Verbrauch über 20+ Frontier-Modelle

Redaktionelle Illustration: Vergleichsbalken für Performance und Tokens auf einem Bildschirm, ohne Text und Gesichter

Der GitHub Copilot Agentic Harness ist eine Schicht, die dem Modell Werkzeuge und eine Ausführungsschleife für autonomes Coding bereitstellt. GitHub testete ihn mit Claude Sonnet 4.6, Claude Opus 4.7, GPT-5.4 und GPT-5.5 in fünf Benchmarks und stellte fest, dass er Aufgabenabschlussraten auf Vendor-Harness-Niveau bei geringerem Token-Verbrauch erzielt und über 20 Frontier-Modelle unterstützt.

← Vorheriger Tag Nächster Tag →