AI FRONTIER
Signals worth understanding before they become obvious.
Lösung einer 31 Jahre alten mathematischen Herausforderung: die KLS-Vermutung
Ein Forscher von Microsoft Research und ein Mitautor haben die Kannan-Lovász-Simonovits-(KLS-)Vermutung bewiesen und gezeigt, dass die Schranke eine von der Dimension unabhängige feste Konstante ist, was ein zentrales theoretisches Hindernis für randomisierte Algorithmen beseitigt.
- Die 1995 vorgeschlagene KLS-Vermutung besagte, dass sich der beste Hyperebenen-Schnitt und der beste Schnitt beliebiger Form um höchstens eine universelle Konstante unterscheiden, unabhängig von der Dimension.
- Das bisher beste Ergebnis von Juli 2026 erlaubte eine langsam mit der Dimension wachsende Schranke; dieser Beweis beseitigt die Abhängigkeit von der Dimension.
- Die Autoren nutzten einen menschengesteuerten agentischen Prozess, um mehr als 100 Kandidatenansätze zu erkunden, wobei KI Werkzeuge bei Herleitungen, Manuskriptvorbereitung und internen Beweisprüfungen unterstützte.
- Der vollständige Beweis wurde in der Version vom 4. Oktober 2026 des Papers veröffentlicht; am selben Tag erschienen ein unabhängiger Parallelbeweis und eine Lean-4-Formalisierung.
Mit dem Beweis der KLS-Vermutung lassen sich viele Ergebnisse der konvexen Geometrie, Wahrscheinlichkeitstheorie und theoretischen Informatik, die sie bisher voraussetzten, nun unbedingt formulieren.
LitPivot: Entwicklung von Forschungsideen durch dynamische Kontextualisierung in der Literaturlandschaft
Ai2 hat mit Partnern an der University of Pennsylvania LitPivot entwickelt, ein System, das über Asta Paper Finder abgerufene Arbeiten nutzt, um Literatur rund um den gerade bearbeiteten Teil eines Vorschlags zu organisieren, durch Auszüge gestützte Kritik anzubieten und Überarbeitungen vorzuschlagen, die Forschende an...
- Die Teilnehmenden berichteten ein stärkeres Verständnis der umgebenden Literatur und größere selbstberichtete Verbesserungen der Neuheit und Nützlichkeit ihrer Ideen mit LitPivot als mit der Baseline.
- LitPivot trennt eine Forschungsidee in ihr Problem, ihren vorgeschlagenen Beitrag und ihren Evaluationsplan, und jede Facette hat ihre eigene Menge und Relevanzrangfolge zugehöriger Literatur.
- LitPivot wird auf der UIST 2026 in Detroit vorgestellt.
Für Entwickler von Forschungsassistenten zeigt LitPivot, dass die Kopplung von Literatur auswahl und Ideenüberarbeitung in einer iterativen Schleife die Verankerung von Ideen in früheren Arbeiten stärker verbessert als eine einmalige Suche.
Profiling von TorchNeuron (Teil 1): Systemweites Profiling auf AWS Trainium
Ein Tutorial im Hugging Face Blog zeigt, wie man torch.profiler mit dem Neuron-Backend nutzt, um die Inferenzleistung auf AWS Trainium systematisch zu analysieren und die Gerätezeit über drei RMSNorm-Implementierungen zu vergleichen.
- Das Neuron-Backend nutzt den PrivateUse1-Erweiterungspunkt von PyTorch, und das Paket torch_neuronx registriert Neuron als natives PyTorch-Backend.
- Die naive PyTorch-RMSNorm zeigt in der key_averages()-Tabelle eine Self-NEURON-Summe von 2,355 ms, wobei aten::mul 49,5 % ausmacht.
- torch.rms_norm wird zu einer einzigen aten::_fused_rms_norm-Operation mit einer Self-NEURON-Zeit von 403,3 μs abgesenkt.
- Die mit torch.compile(backend="neuron") kompilierte naive RMSNorm erscheint als eine Torch-Compiled Region mit einer Self-NEURON-Zeit von 375,5 μs.
Für KI-Entwickler zeigt das Tutorial, dass key_averages() Gerätezeit-Hotspots lokalisiert und dass Fusion oder torch.compile die RMSNorm-Gerätezeit auf etwa ein Sechstel der naiven Implementierung senken kann.
Ensemble-Prognose mit IBM Granite-Zeitreihenmodellen
Granite Timeseries Ensemble kombiniert vier vortrainierte Granite-Modelle in einer erweiterbaren Prognoseschnittstelle, die Median- und Quantilsprognosen ohne Neutraining und ohne angepasste Ensemble-Gewichte liefert.
- PatchTST-FM-r2 behält mit 0,467 den niedrigsten aggregierten CRPS/MWQL-Wert, während das IQR Ensemble unter diesen sechs Prognosen den niedrigsten durchschnittlichen CRPS-Rang erreicht.
- Das Rezept speichert die Ensemble-Konfiguration statt zusammengeführter Modellgewichte und lädt die vier Mitglieds-Checkpoints zur Laufzeit herunter, sodass der erste Durchlauf zusätzliche Zeit benötigt.
- Prognosen liefern standardmäßig Quantile von 0,1 bis 0,9, wobei die Quantile 0,1 und 0,9 ein zentrales Prognoseintervall mit nomineller 80-prozentiger Abdeckung definieren.
Für Entwickler bietet dieses Ensemble eine sinnvolle Standardeinstellung, die vergleichbare oder bessere aggregierte Genauigkeit liefert, ohne im Voraus zu wissen, welche Architektur zu den eigenen Daten passt, allerdings auf Kosten erhöhte...
Sicherung unserer Trainingsumgebung für Frontier-Modelle
OpenAI erläutert, wie das Containment für Training und Evaluierung von Frontier-Modellen gestärkt wurde, einschließlich Offline-Umgebungen und Red-Teaming mit hohem Rechenaufwand.
- OpenAI gibt an, das Containment für Training und Evaluierung von Frontier-Modellen gestärkt zu haben.
- Zu den Maßnahmen gehören Offline-Umgebungen.
- Zu den Maßnahmen gehört Red-Teaming mit hohem Rechenaufwand.
Für Teams, die Frontier-Modelle trainieren, werden Containment und Red-Teaming in Training und Evaluierung zu technischen Anforderungen neben der eigentlichen Fähigkeitsentwicklung.
OpenAI-Modelle kommen zu Google Cloud
OpenAI und Google Cloud bringen Frontier-Modelle und Codex-Workflows in Geminis Model Garden, verfügbar über den Google Cloud Marketplace.
- OpenAI und Google Cloud bringen Frontier-Modelle und Codex-Workflows in Geminis Model Garden.
- Die Modelle und Workflows werden über den Google Cloud Marketplace verfügbar sein.
Für KI-Entwickler werden Frontier-Modelle von OpenAI und Codex-Workflows über den Beschaffungs- und Bereitstellungspfad von Google Cloud zugänglich.