AI FRONTIER
Signals worth understanding before they become obvious.
FairStress: Eine tiefergehende Bewertung von Fairness bei Entscheidungen von LLMs
Ai2 stellt FairStress vor, einen Benchmark mit 300 Zwei-Kandidaten-Entscheidungsszenarien aus 29 Domänen, der prüft, ob Modelle ihre Entscheidungen unter adversariellen Präfixen asymmetrisch ändern; die Kombination von Identitäts- und Präfixvariationen erweitert ihn auf über 13 Millionen Testfälle.
- FairStress enthält 300 realistische Zwei-Kandidaten-Entscheidungsszenarien aus 29 Domänen, darunter Einstellung, Gesundheitswesen, Kreditvergabe, Bildung, Wohnen und Strafjustiz.
- Die Kombination von demografischer Identität und adversariellen Präfixvariationen erweitert die 300 Szenarien auf mehr als 13 Millionen Testfälle.
- FairStress-Core ist eine 50.000 Elemente umfassende Teilmenge, die mittels Item-Response-Theorie ausgewählt wurde, um die Evaluierung schneller und rechenkostengünstiger zu machen.
- Die Arbeit berichtet über eine durchschnittliche Lücke beim Aufgeben korrekter Antworten über 15 Modelle von 6,9 Prozentpunkten bei impliziter Identität und 9,3 Punkten bei expliziten Labels.
Entwickler sollten Fairness-Bewertung über die endgültige Wahl hinaus auf Entscheidungsstabilität ausweiten, da reine Festoptionen-Bewertung Überkorrektur bei generierten Entscheidungen übersehen kann.
ALTK-Evolve: Gelerntes Gedächtnis führt die τ²-bench-Bestenliste bei Kundenservice-Aufgaben ohne Frontier-Modell an
ALTK-Evolve von IBM Research extrahiert Verhaltensrichtlinien aus den eigenen Aufgabenversuchen eines Agenten und hängt sie an den System-Prompt an, wodurch Kundenservice-Agenten ohne Aktualisierung der Modellgewichte verbessert werden. Ein ReAct-Agent mit GPT-4.1 erreicht 67,5 % Pass^4 auf τ²-bench Retail und liegt üb...
- Retail: Baseline-Pass^4 lag bei 57,5 %; die Lossless-Konfiguration (292 Richtlinien) steigerte ihn auf 67,5 % (+10,0 Punkte), und die mittlere Genauigkeit stieg von 78,1 % auf 82,5 % (+4,4).
- Airline: Baseline-Pass^4 lag bei 35,0 %; die sup3-Konfiguration (14 Richtlinien) steigerte ihn auf 45,0 % (+10,0), und die Lossless-Genauigkeit stieg von 57,5 % auf 65,0 % (+7,5).
- Retail-Bestenliste: Pass^4 = 67,5 %, 6,1 Punkte vor RAFT-30B-A3B (61,4 %), einem auf synthetischen τ²-bench-Retail-Daten feinabgestimmten Modell.
- Airline-Bestenliste: Der Agent mit gpt-5.5 erreicht 82,0 % Pass^4 und übertrifft jeden Frontier-Eintrag (66–72 %); die sup3-Konfiguration mit gpt-4.1 erreicht 44 % und Rang 8.
Gelerntes Gedächtnis auf Prompt-Ebene kann einen Agenten mit Standardmodell ohne Gewichts-Feinabstimmung auf Frontier-Niveau heben, wobei die Kosten überwiegend auf cachebare Eingabe-Tokens entfallen.
Ant Ling veröffentlicht Ming-3.0-Sprachserie als Open Source: fünf Modelle für Synthese, Erkennung und Verstehen
Ant Ling hat die Ming-3.0-Sprachserie als Open Source veröffentlicht, bestehend aus fünf Modellen, die Sprachsynthese, Spracherkennung und Sprachverstehen abdecken.
- Die Veröffentlichung stammt von Ant Ling.
- Die Ming-3.0-Sprachserie umfasst fünf Modelle.
- Abgedeckt sind Sprachsynthese, Erkennung und Verstehen.
Für Entwickler senkt eine einzige Veröffentlichung mit fünf offenen Sprachmodellen für Synthese, Erkennung und Verstehen den Aufwand, Modelle aus verschiedenen Quellen in einer Sprachpipeline zu kombinieren.
Durchgesickerte API-Schlüssel in LLMs: Wie KI-Agenten Geheimnisse preisgeben
Ein Paper-Abstract befasst sich mit durchgesickerten API-Schlüsseln in LLMs, eingeordnet im Kontext von Fähigkeits-, Evaluierungs- oder Alignment-Fragen großer Sprachmodelle und gerichtet an Leser, die Methoden und experimentelle Ergebnisse verfolgen.
- Die Quelle ist der GitGuardian Blog mit dem Titel „Leaked API Keys in LLMs: How AI Agents Expose Secrets“.
- Das Abstract gibt an, dass die Arbeit Fähigkeits-, Evaluierungs- oder Alignment-Fragen großer Sprachmodelle behandelt.
- Das Abstract gibt an, dass die Arbeit für Leser geeignet ist, die sich für Methoden und experimentelle Ergebnisse interessieren.
Entwickler von LLM-Agenten sollten API-Schlüssel als Geheimnisse behandeln, die offengelegt werden können, und ihre Schutzmaßnahmen auf dieser Annahme aufbauen.
NVIDIA Cosmos3-H-Dreams: Klinische Chirurgie durch generative Simulation zum Leben erwecken
NVIDIA veröffentlicht Cosmos3-H-Dreams, einen Echtzeit-Simulator für generative Chirurgie auf Basis von Cosmos3-H-Embodied-Nano mit 16 Milliarden Parametern, trainiert auf klinischen Cholezystektomie-Videos und Roboterkinematik, der interaktiv auf einer einzelnen NVIDIA RTX PRO 6000 GPU läuft.
- Basiert auf Cosmos3-H-Embodied-Nano, einem 16-Milliarden-Parameter-Modell, das auf Open-H-Embodiment vortrainiert wurde.
- Das Training nutzt 832 x 480 Video mit auf 10 Hz ausgerichteten Aktionen und 28 Aktionsdimensionen.
- Der Teacher wird zunächst auf 24 zukünftigen Frames angepasst und dann auf 72 Frames erweitert, 2,4 und 7,2 Sekunden bei 10 Hz.
- Es werden Vier-Schritt- und Zwei-Schritt-Denoising-Checkpoints veröffentlicht; das Zwei-Schritt-Modell wird separat trainiert und ist nicht das Vier-Schritt-Modell mit weniger Sampling-Schritten.
Entwickler können dieses Echtzeit-Chirurgie-Weltmodell mit dem bereitgestellten Rezept für Teacher-Fine-Tuning und Self-Forcing-Destillation an eigene Video- und Controller-Daten anpassen.
AnyLanguageModel 1.0: Ein Jahr lokale Modelle auf Apple-Plattformen
AnyLanguageModel 1.0 erscheint als direkter Ersatz für Apples Foundation-Models-Framework, sodass derselbe Session-Code das Systemmodell, Open-Weight-Modelle über llama.cpp, MLX und Core ML sowie mehrere gehostete Anbieter ansprechen kann.
- Der Wechsel von import FoundationModels zu import AnyLanguageModel lässt denselben Session-Code mit dem Systemmodell, llama.cpp, MLX, Core ML und gehosteten Anbietern laufen.
- Tool-Aufrufe und geführte Generierung funktionieren nun bei jedem Anbieter, einschließlich verschachtelter @Generable-Typen und Arrays davon.
- Zu den gehosteten Anbietern zählen OpenAIs Chat-Completions- und Responses-APIs, Open Responses, Anthropics Messages API, Googles Gemini API, Ollama, Private Cloud Compute und Hugging Face Inference Providers.
- Im Beitrag genannte Modelle sind Gemma 4 E2B (GGUF, etwa 3,4 GB bei Q4_0), LFM2.5 2.6B (GGUF, etwa 1,7 GB bei Q4_K_M), Qwen3.8 27B (MLX, etwa 16 GB bei 4 Bit) und GLM-5.3 (etwa 1,5 TB in BF16).
Für Entwickler auf Apple-Plattformen lässt ein einzeiliger Import-Wechsel lokale und gehostete Inferenz denselben Session-Code teilen, was den Integrationsaufwand pro Anbieter senkt.
OpenMOSS-Team veröffentlicht MOSS-Image-SFT, ein 5,1B-Text-zu-Bild-Modell unter Apache-2.0
MOSS-Image-SFT ist ein überwacht feinabgestimmtes Text-zu-Bild-Modell aus der MOSS-Image-Familie von OpenMOSS, abgeleitet von MOSS-Image-Base mit derselben Architektur und Inferenz-Pipeline, das natürlichsprachliche Prompts, Tag-Sequenzen und JSON-Layouts zur Steuerung von Textplatzierung und Objektanordnung unterstütz...
- Das Modell hat 5B Parameter; Gewichte und mitgelieferter Inferenzcode stehen unter der Apache-Lizenz, Version 2.0.
- Die Modellkarte gibt an, dass SFT im Vergleich zu MOSS-Image-Base eine klarere Textgruppierung und ein organisierteres Whiteboard-Layout erzeugt.
- Für den Betrieb sind Python 3.10 oder neuer, eine NVIDIA-GPU mit CUDA-Unterstützung und ein PyTorch-Build ab Version 2.9 erforderlich.
- Die Standard-Sampling-Einstellungen sind Flow-matching Euler, 50 Schritte, CFG 3, Shift 5, wobei der Negativ-Zweig die Ebene mit Index 22 überspringt.
Für Entwickler lässt sich ein Apache-2.0-Text-zu-Bild-Modell mit 5B Parametern und JSON-Layout-Steuerung direkt in kreative Pipelines einbinden, die präzise Text- und Objektplatzierung erfordern.