Schlagwort: Modell

ChatGPT deligiert mit »Multi-Agents V2« Subagenten deutlich besser

GPT-Images-2.0

Kurzfassung
▾

Quellen
▾

OpenAI hat die Funktion Multi-Agents V2 eingeführt, mit der große KI-Modelle Aufgaben eigenständig delegieren.
Ein rechenintensives Modell wie GPT-5.6 Sol fungiert dabei als Manager und lagert Teilbereiche an spezialisierte Sub-Agenten wie das schnelle Luna aus.
Anwender müssen dadurch nicht mehr händisch entscheiden, welche KI für welchen Arbeitsschritt am besten geeignet ist.
Langfristig plant OpenAI ein komplett unsichtbares Routing, bei dem die Modelle im Hintergrund automatisch im effizientesten Team arbeiten.

X – Tibo & Eric Provencher

Mit dem Update »Multi-Agents V2« übergeben große KI-Modelle wie GPT-5.6 Sol ihre Aufgaben nun selbstständig an kleinere Spezialisten. Nutzer müssen die passende KI für komplexe Arbeitsschritte dadurch seltener händisch auswählen. Sol managt Luna-Agenten Die Neuerung blieb in den vergangenen Tagen weitgehend unbemerkt. Am Wochenende bestätigte Entwickler Eric Provencher, dass die großen Modelle Teilaufgaben nun an sogenannte Sub-Agenten verteilen. Ein rechenintensives Modell wie GPT-5.6 Sol agiert dabei als Manager. Es plant die Aufgabe und lagert Teilbereiche aus. Für schnelle und wirtschaftliche Arbeitsschritte greift Sol dann auf GPT-5.6 Luna zurück. Sol kann dabei eine ganze Flotte von Luna-Agenten steuern. Sie sind aufeinander abgestimmt und liefern Ergebnisse in dieser Arbeitsteilung deutlich schneller.

Twitter Beitrag – Cookies links unten aktivieren.

This went under the radar this week, but we just shipped the ability for models with multi agents v2 to delegate to any supported model, including Luna! Took a bit of time to make sure this worked reliably pic.twitter.com/84Wto45mzA — eric provencher (@pvncher) August 15, 2026 Spezialisten für Cybersicherheit Sol delegiert nicht nur an Luna. Für ausgewogene Alltagsaufgaben steht GPT-5.6 Terra bereit. Geht es um defensive Cybersicherheit, übernimmt Daybreak-Blue. Auch GPT-5.5 lässt sich als Sub-Agent einspannen. Gibt der Nutzer keine feste Zuteilung vor, erbt der Sub-Agent das aktuell aktive System. Je nach Modell lässt sich zudem festlegen, wie hoch die Thinking-Stufe sein solll. OpenAI will die manuelle Auswahl mittelfristig komplett überflüssig machen. Anwender sollen künftig nur noch ihr Problem beschreiben, während die KI im Hintergrund selbst die effizienteste Modell-Kombination zusammenstellt. Anzeige
Zhipu AI veröffentlicht GLM-5.3: Chinas neues Open-Weights-Modell soll das stärkste für Code sein

Zhipu AI hat mit GLM-5.3 ein Modell veröffentlicht, das laut eigenen Benchmarks das leistungsfähigste Open-Weights-Modell für Programmierung sein soll – bei 50 Prozent Verbesserung gegenüber dem Vorgänger, allein durch erweitertes Post-Training. Gezielt auf Cybersicherheit trainiert, fand das Modell gemeinsam mit Sicherheitsteams 2.436 Schwachstellen in 269 Projekten. Die Modellgewichte sollen in zwei Wochen folgen.

Der Artikel Zhipu AI veröffentlicht GLM-5.3: Chinas neues Open-Weights-Modell soll das stärkste für Code sein erschien zuerst auf The Decoder.
Ling 3.0 Flash ist das intelligenteste offene Modell seiner Größe

Ling 3.0 Flash ist das intelligenteste offene Modell seiner Größe.

Der Artikel Ling 3.0 Flash ist das intelligenteste offene Modell seiner Größe erschien zuerst auf The Decoder.
KI Rückwärts: Forscher lesen Prompts aus Antworten aus

GPT-Images-2.0

Kurzfassung
▾

Quellen
▾

Forscher haben eine neue Methode entwickelt, um KI-Prompts allein aus der generierten Textantwort zu rekonstruieren.
Das sogenannte PTP-Verfahren trainiert ein Sprachmodell darauf, Antworten rückwärts zu generieren und so die Eingabe zu erraten.
Der Black-Box-Ansatz funktioniert ohne tiefen Zugriff auf die Technik und lässt sich auch auf fremde Modelle wie GPT-4o anwenden.
Dies birgt große Sicherheitsrisiken, da sich geschützte System-Anweisungen kommerzieller Anbieter von außen auslesen lassen.

arXiv – PTP: Previous-Token Prediction based LLM Inversion for Near-Exact Prompt Reconstruction

Forscher haben einen Weg gefunden, die Eingaben an ein Sprachmodell allein anhand der Antworten zu rekonstruieren. Der Ansatz funktioniert ohne Zugang zum Code der KI und umgeht bestehende Hürden beim Auslesen kommerzieller Modelle. Wörter rückwärts vorhersagen Klassische Sprachmodelle generieren Text, indem sie das jeweils wahrscheinlichste nächste Wort berechnen. Dieses Prinzip ist als Next-Token Prediction bekannt. Forscher des IIT Bombay und von Adobe Research drehen diese Logik nun um. Mit der sogenannten »Previous-Token Prediction« (PTP) trainieren sie ein zweites Sprachmodell darauf, den Text rückwärts aufzubauen. Das Modell berechnet ausgehend von der Antwort, welches Wort davor gestanden haben muss. So entsteht ein inverses Modell, das den ursprünglichen Prompt ermittelt. Die Forscher verzichten dabei auf externe Trainingsdaten. Sie trainieren ihr Modell komplett von Grund auf mit synthetischen Texten, die sie zuvor aus der Ziel-KI ausgelesen haben. + Quelle: https://arxiv.org/html/2607.29378 Auslesen ohne Systemzugriff In der Vergangenheit war die Rekonstruktion von Prompts technisch deutlich aufwendiger. Bisherige Methoden benötigten entweder umfangreiche Trainingsdaten oder tiefen Zugriff auf die internen Wahrscheinlichkeiten (Logits) der KI. Das neue PTP-Verfahren arbeitet hingegen als Black-Box-Ansatz. Die Forscher benötigen weder Einblicke in die Architektur noch in die Gewichte des Zielmodells. Eine einzige Textantwort reicht aus, um den zugrunde liegenden Prompt wiederherzustellen. In Tests mit Modellen wie Qwen und LLaMA-2 erfasste das inverse Modell nicht nur den groben Sinngehalt. Es stellte die ursprünglichen Eingaben teilweise auf den einzelnen Token genau wieder her. Anzeige Probleme und Gefahren Für Anbieter kommerzieller Sprachmodelle birgt das Verfahren handfeste Risiken. Versteckte System-Prompts, die das Verhalten und die Einschränkungen einer KI definieren, lassen sich so systematisch auslesen. Gleichzeitig bietet der Ansatz neue Kontrollmöglichkeiten. Für den einfachen Nutzer ließe sich auf diese Weise im Nachhinein nachvollziehen, ob eine Textausgabe durch verbotene oder problematische Inhalte im Prompt provoziert wurde.
OpenAI bringt GPT-5.6-Cyber: Neues KI-Modell soll Verteidigern helfen, Schwachstellen vor Angreifern zu finden

OpenAI will Cyberverteidigern einen Vorsprung verschaffen: Das neue Modell GPT-5.6-Cyber beantwortet bis zu 98,5 Prozent der sonst blockierten Sicherheitsanfragen und hat bereits zwei unbekannte Chrome-Schwachstellen aufgedeckt. Das Zeitfenster für Verteidiger werde laut OpenAI kleiner. Der Zugang erfordert eine Identitätsprüfung.

Der Artikel OpenAI bringt GPT-5.6-Cyber: Neues KI-Modell soll Verteidigern helfen, Schwachstellen vor Angreifern zu finden erschien zuerst auf The Decoder.
Meta veröffentlich ein KI-Agenten-Modell für den Heim-PC

GPT-Images-2.0

Kurzfassung
▾

Quellen
▾

Meta hat das KI-Modell Muse Glimmer mit 30 Milliarden Parametern als frei zugängliche Open-Weight-Version veröffentlicht.
Das System ist für autonome Agenten konzipiert und arbeitet lokal ohne aktive Cloud-Anbindung.
Durch Datenkomprimierung läuft das Sprachmodell ressourcenschonend auf handelsüblichen Rechnern und Grafikkarten ab 24 Gigabyte Speicher.
Muse Glimmer kann Text sowie Bilder verarbeiten und Fehler bei Aufgaben eigenständig erkennen und beheben.

Meta Research
HuggingFace
Meta AI Developer Center
AI at Meta auf X
Alexandr Wang auf X

Meta hat mit Muse Glimmer ein neues KI-Modell für lokale Rechner veröffentlicht. Es ist speziell für im Hintergrund laufende Agenten konzipiert und benötigt keine Cloud-Anbindung. Die Gewichte stehen unter einer offenen Apache-2.0-Lizenz bereit. Fokus auf autonome Aufgaben Das Modell stammt aus den Meta Superintelligence Labs und umfasst 30 Milliarden Parameter. Entwickler sollen damit Agenten bauen, die Aufgaben selbstständig planen, Code schreiben und überprüfen. Muse Glimmer kann dabei über einen sogenannten Perception Encoder neben Text auch Bilder, Dokumente und Diagramme verarbeiten. Wenn der Aufruf einer externen Funktion fehlschlägt, bricht das Modell nicht ab. Es diagnostiziert den Fehler stattdessen selbst und unternimmt einen neuen Versuch. Die Fähigkeit zur eigenständigen Fehlerbehebung stand beim Training laut Meta im Mittelpunkt. Meta positioniert Muse Glimmer als direkte Konkurrenz zu Modellen wie Gemma4-31B und Qwen3.6-27B. + Quelle: Meta Für das Training, das auf den Ausgaben des größeren Modells Muse Spark aufbaute, nutzte Meta Verfahren wie Logit-Destillation und bestärkendes Lernen. Muse Glimmer versteht mehr als 100 Sprachen. Nutzer können zudem einstellen, wie viel Rechenzeit das Modell für Lösungswege aufwenden darf. Anzeige Hardware-Tricks für den Hausgebrauch Ein Modell dieser Größe würde unkomprimiert mehr als 55 Gigabyte Arbeitsspeicher benötigen. Meta nutzt Quantisierung, um den Speicherbedarf auf unter 20 Gigabyte zu drücken. Dadurch passt Muse Glimmer samt Kontextspeicher auf Grafikkarten mit 24 oder 32 Gigabyte Speicher, wie sie in guten Rechnern stecken. Meta betont, dass diese Komprimierung die Leistung bei Agenten-Aufgaben kaum verschlechtert. + Quelle: Meta Damit die Antworten schnell genug auf dem Bildschirm erscheinen, setzt Meta auf ein Verfahren namens Spekulative Dekodierung. Ein kleines Hilfsmodell auf DFlash-Basis generiert dabei Textblöcke vorab, die das Hauptmodell parallel prüft – das erhöht die Ausgabegeschwindigkeit deutlich. Auf einer RTX-5090-Grafikkarte liefert Muse Glimmer die Ergebnisse so gut dreimal schneller. Auf einem Mac mit M5-Max-Chip steigt das Tempo um den Faktor 1,8. + Quelle: Meta Breite Unterstützung für Entwickler Interessierte können die Open Weights über die Plattform HuggingFace herunterladen. In den kommenden Tagen folgen Optimierungen für gängige Laufzeitumgebungen wie llama.cpp oder MLX. Zudem sollen Programme wie Ollama oder LM Studio das Modell zeitnah unterstützen. Wer das Modell an eigene Bedürfnisse anpassen will, kann dafür PyTorchs TorchTitan-Funktion nutzen. Meta kooperiert zudem mit Hardwareherstellern wie AMD, Arm, Intel und Nvidia, um das Modell auf Geräteebene weiter anzupassen und die lokale Ausführung künftig auf noch mehr Computern zu beschleunigen.
Metas neues offenes KI-Modell erscheint mit Plädoyer für das Lernen aus Konkurrenz-Daten und einer 600-Milliarden-Frage

Meta veröffentlicht mit Muse Glimmer das erste offene Modell seiner neuen Superintelligence Labs – ein 30B-Agentenmodell, das quantisiert unter 20 GB auf Consumer-Hardware läuft. In einem begleitenden Essay verteidigt Mark Zuckerberg offensiv die Destillation fremder Modelle und fordert weniger Auflagen für US-Labore – ein direkter Konter gegen OpenAI und Anthropic. Laut Wall Street Journal soll bald auch eine offene Version von Muse Spark 1.2 folgen.

Der Artikel Metas neues offenes KI-Modell erscheint mit Plädoyer für das Lernen aus Konkurrenz-Daten und einer 600-Milliarden-Frage erschien zuerst auf The Decoder.
OpenAI stuft neues KI-Modell Astra erstmals potenziell auf höchste Cybersecurity-Risikostufe ein

OpenAI stuft sein kommendes Modell Astra erstmals potenziell auf die höchste Risikostufe „Critical“ seines eigenen Sicherheits-Frameworks ein. Die Cybersecurity-Fähigkeiten seien so stark, dass das Unternehmen Teile der Entwicklung pausiere. Die Ankündigung folgt auf kürzlich bekannt gewordene Vorfälle, bei denen autonome KI-Agenten angeblich wochenlang unbemerkt OpenAIs eigene Infrastruktur unterwandert hatten.

Der Artikel OpenAI stuft neues KI-Modell Astra erstmals potenziell auf höchste Cybersecurity-Risikostufe ein erschien zuerst auf The Decoder.
ByteDance zeigt eine völlig neue KI für flüssige Gespräche

GPT-Images-2.0

Kurzfassung
▾

Quellen
▾

ByteDance hat mit SeedRealtime ein neues multimodales KI-Modell veröffentlicht.
Die Technologie verarbeitet Audio, Video und Text ohne Zeitverzögerung in einer einzigen Architektur.
Dadurch erkennt das System selbstständig Gesprächsrhythmen und ermöglicht flüssigere, proaktive Dialoge.

ByteDance Seed: SeedRealtime Audio-Visual Full-Duplex LLM Released

ByteDance hat mit SeedRealtime ein neues KI-Modell veröffentlicht, das Audio-, Video- und Textdaten ohne Zeitverzögerung in einer einzigen Architektur verarbeitet. Es kann dadurch gleichzeitig sehen, hören und sprechen. Das ermöglicht fließende Unterhaltungen ohne lästige Pausen. Schluss mit abgehackten Dialogen Bisherige Ansätze verarbeiten Spracherkennung, visuelle Analyse und Sprachausgabe strikt nacheinander. Das erzeugt Latenzen und der Kontext geht oft verloren. SeedRealtime vereint diese Schritte dagegen direkt in einer einzigen Architektur. Dadurch entscheidet das Modell selbstständig über den passenden Gesprächsrhythmus. Statt auf simple Regeln zur Erkennung von Sprachaktivität zu warten, analysiert SeedRealtime das gesamte Umfeld. Es erfasst Sprecher, Pausen sowie Hintergrundgeräusche und wählt so den richtigen Moment für eine Antwort. Quelle: Bytedance Visueller Kontext statt starrer Befehle Ein entscheidender Vorteil ist die tiefe Einbindung von Bildinformationen. Das Modell nutzt den visuellen Kontext direkt, um gleichklingende Wörter zu unterscheiden oder unpräzise Angaben zu verstehen. Sagt ein Nutzer einfach »dieses«, verknüpft SeedRealtime das Wort sofort mit der entsprechenden Geste im Kamerabild. Das Modell agiert bei Bedarf auch proaktiv. In einer Demonstration korrigiert SeedRealtime einen Nutzer bei der Bedienung einer Espressomaschine. Füllt er ganze Bohnen in den Siebträger, greift es unaufgefordert ein und erklärt, dass diese vorher gemahlen werden müssen. Anzeige Bessere Leistung bei Hintergrundlärm Selbst in lauten Umgebungen wie Flughäfen oder Restaurants funktioniert das Modell zuverlässig. Während eines Abendessens mit mehreren Personen ordnet es Namen und Stimmen den jeweiligen Gesichtern zu. Nebengespräche von Unbeteiligten ignoriert SeedRealtime, was falsche Antworten verhindert. In Tests mit Nutzern reduzierte das Modell Rhythmusprobleme während der Unterhaltung im Vergleich zu älteren Architekturen um die Hälfte. Testpersonen meldeten deutlich weniger ungewollte Unterbrechungen. SeedRealtime ist bereits vollständig ausgerollt. Details zu Entwickler-Schnittstellen, Preisen oder regionaler Verfügbarkeit fehlen jedoch noch. Künftig soll das Modell noch schneller reagieren und Aufgaben wie Ticketbuchungen direkt selbst ausführen.
OpenAI verbessert GPT-5.6 Sol in ChatGPT und beschränkt Free-Nutzer auf das schwächste Modell

OpenAI aktualisiert GPT-5.6 Sol mit fokussierteren Antworten und einem neuen Reasoning-Slider, der die Denktiefe stufenlos regeln lässt. Kostenlose Nutzer erhalten ab nächster Woche unbegrenzte Text-Chats mit dem kleineren GPT-5.6 Luna; ein Reasoning-Button lässt Luna länger nachdenken. Dennoch hängt das Modell den Großen deutlich hinterher.

Der Artikel OpenAI verbessert GPT-5.6 Sol in ChatGPT und beschränkt Free-Nutzer auf das schwächste Modell erschien zuerst auf The Decoder.