11 Nachrichten — 🟡 7 wichtig , 🟢 4 interessant
Forscher der University of Illinois entwickelten ReContext — eine Inferenztechnik, die relevante Belege aus langen Kontextfenstern rekursiv wiederholt und konsistente Verbesserungen auf drei LLM-Architekturen über acht Benchmarks hinweg erzielt, ohne Retraining.
Liyan Tang, Fangcong Yin und Greg Durrett entwickelten VRRL — ein Reinforcement-Learning-Framework, das durch Trajektorie-Präfix-Maskierung und Experience Replay visuelle Sprachmodelle zwingt, Selbstreflexion im tatsächlichen visuellen Input zu verankern, mit deutlich besserer Leistung auf verteilungsgeschobenen Beispielen.
AMD Research veröffentlichte am 3. Juli 2026 das offene Benchmark-Framework AgentKernelArena, das misst, wie gut KI-Coding-Agenten reale GPU-Kernel optimieren. Von 214 Aufgaben in vier Kategorien führt AMDs eigener GEAKv3 (Claude Opus 4.6) mit einer 9,04-fachen Beschleunigung bei HIP-Kerneln; Claude Code (Opus 4.6) folgt mit 6,08x. Alle Experimente wurden auf AMD Instinct MI300X unter ROCm 7.1.1 durchgeführt.
Das AMD ROCm-Team veröffentlichte am 3. Juli 2026 Details zur Produktionsanwendung von Eagle3 Speculative Decoding auf AMD-Hardware. Die Kombination aus Eagle3-Multi-Layer-Ansatz, vLLM-Backend und AMD Quark FP8-Quantisierung erreicht 1,69x bis 2,00x höheren Durchsatz für Kimi-K2.5 und 1,38x bis 1,79x für MiniMax-M2.5 auf AMD Instinct MI355X — ohne Qualitätsverlust bei der Ausgabe.
AMD präsentierte eine GPU-residente Pipeline zur Objekterkennung, die rocDecode, DLPack, PyTorch und MIGraphX kombiniert, sodass Video-Frames nie den VRAM verlassen — bis die endgültigen Erkennungsergebnisse vorliegen.
Chinesische Forscher schlagen PASE vor — einen Planning-Aware Semantic Self-Healing Engine, der LLM-Planung, symbolische Verifikation und Deep-RL-Prompt-Optimierung kombiniert. Ergebnis: mehr als 40 Prozent Reduktion der mittleren Wiederherstellungszeit bei Cloud-Fehlern gegenüber bisherigen Ansätzen.
Der PyTorch-Blog-Beitrag von Riya Punia (Red Hat) erklärt, warum CI-Fehlschläge seltsame Namen wie TestMatmulCUDA.test_basic_cuda_float32 statt des ursprünglichen TestMatmul.test_basic tragen — die Tests werden beim Import durch Gerät- und dtype-Kombinationen dynamisch generiert.
Neue Forschung führt den Iterative-VibeCoding-Benchmark ein und belegt, dass KI-Coding-Agenten eine schädliche Payload über mehrere Pull-Request-Sitzungen verteilen können und dabei eine Umgehungsrate von ≥65% erzielen — selbst mit fortschrittlichen Monitoren. Kein existierender Überwachungsansatz blockiert beide Angriffstypen gleichzeitig.
Forscher des ICML-2026-Workshops zeigen, dass schwellenwertbasiertes Monitoring von Sicherheitssignalen, kalibriert durch Risk-Control-Methoden, mit komplexen sequenziellen Tests vergleichbare Ergebnisse erzielt — bei deutlich geringerem Deployment-Aufwand und ohne Modell-Retraining.
