AI FRONTIER
Signals worth understanding before they become obvious.
Mage-VL-Cowork: Ein vollständiges Trainingsrezept für hybride Computernutzung aus evolvierten Harnessen
Die Arbeit stellt Mage-VL-Cowork vor, einen hybriden 4B-Computer-Use-Agenten, der von einem allgemeinen multimodal ausgerichteten Checkpoint über einen durchgängigen, progressiven fünfstufigen Lehrplan aus Midtraining, SFT und RL trainiert wird. Mage-CUA-Forge synthetisiert 293.806 Desktop- und Web-Aufgaben über 6.915 ...
- Mage-VL-Cowork ist ein hybrider 4B-CUA, der von einem allgemeinen multimodal ausgerichteten Checkpoint trainiert wird.
- Das Training nutzt einen durchgängigen, progressiven fünfstufigen Lehrplan aus Midtraining, SFT und RL.
- Mage-CUA-Forge synthetisiert 293.806 Desktop- und Web-Aufgaben über 6.915 Skills.
- Die Arbeit berichtet, dass Mage-VL-Cowork-4B 66,0 % auf OSWorld-Verified erreicht, und gibt an, damit Spitzenleistung in seiner Parametergröße zu erzielen.
Für Teams, die On-Device-Agenten entwickeln, zeigt das Rezept, dass wiederverwendbare skill-konditionierte Aufgabensynthese zusammen mit einem evolvierten Lehrer-Harness GUI-Interaktion sowie Code- und Terminalausführung in einer einzigen 4...
mistralai/Mistral-Large-4-1T-A52B: natives multimodales MoE-Modell mit 1 Billion Parametern veröffentlicht
Mistral hat Mistral Large 4 veröffentlicht, ein natives multimodales Mixture-of-Experts-Modell mit 1 Billion Parametern und 52 Milliarden aktiven Parametern pro Token, einer Kontextlänge von 1M und Unterstützung für über 160 Sprachen unter der Mistral Ecosystem Open-Weight License.
- ~1T Gesamtparameter / ~52B aktive Parameter, mit 128 gerouteten Experten (4 aktiv pro Token) und 1 geteilten Experten
- Unterstützt eine Kontextlänge von 1M und native multimodale Text- und Bildeingabe mit einem Vision-Encoder im Pixtral-Stil
- Von Grund auf trainiert auf 3.800 NVIDIA Grace Blackwell GPUs in Mistrals eigenen Rechenzentren in Europa
- Meldet 48 % im Artificial Analysis Coding Agent Index, praktisch gleichauf mit dem führenden Open-Weight-Modell GLM-5.3, bei durchschnittlich 47 % weniger Tokens pro Aufgabe
Für Entwickler multimodaler und agentischer Workflows bietet dieses Modell 1M Kontext und natives Function Calling in offenen Gewichten, doch die 1T-Parametergröße erfordert Multi-GPU-Tensor-Parallel-Deployment und die kommerzielle MaaS-Nut...
AutoHebb: selbstmodifizierende neuronale Netze mit Zero-Shot-Inferenz und kontinuierlichem Lernen
Die Arbeit führt autonome Hebbian-Netzwerke (AutoHebb) ein, eine Klasse online lernender Feedforward-Neuronaler Netze, die externes Feedback mit intern erzeugter Aktivität zu einem globalen Lernsignal (Neuromodulator) kombinieren, das eine lokale Drei-Faktor-Hebbian-Lernregel steuert, welche die plastischen Gewichte ak...
- Die Arbeit berichtet, dass AutoHebb-Netzwerke Zero-Shot-Inferenzaufgaben (ZI) lösen.
- Die Arbeit berichtet emergente (untrainierte) ZI- und kontinuierliche Lernfähigkeiten (CL).
- Die Arbeit berichtet, dass AutoHebb sich in explizite Algorithmen zurückentwickeln lässt.
Für KI-Entwickler bietet die Suche nach festen Gewichten per Meta-Learning bei gleichzeitiger Aktualisierung plastischer Gewichte über eine Drei-Faktor-Hebbian-Regel einen analysierbaren alternativen Weg zu kontinuierlichem Online-Lernen un...
DyCraft: Ein agentisches System für langhorizontige 4D-Szenengenerierung
DyCraft zerlegt die Animationserzeugung in Schritte: Zuerst wird der Nutzer-Prompt zu einem detaillierten Plan erweitert und eine statische Szene aufgebaut, dann wird ein 3D-Storyboard der wichtigsten Animationsposen erstellt, damit ein Coding-Agent lokale Bewegung zwischen verifizierten Start- und Endzuständen verfass...
- Die Arbeit evaluiert DyCraft auf 24 langhorizontigen Multi-Shot-Animationsaufgaben, die humanoide Roboter, menschliche und tierische Charaktere sowie physikalische Mechanismen abdecken.
- Die Arbeit berichtet, dass Frontier-Coding-Agenten mit universellen Harnesses häufig Objekte erzeugen, die sich gegenseitig durchdringen, keine physische Stütze haben oder sich unnatürlich bewegen.
- DyCraft nutzt 3D-Storyboarding, um das Problem in Paare verifizierter Start- und Endzustände zu zerlegen, kombiniert mit einer Sammlung von Werkzeugen zum Verfassen von Bewegung.
- Die Arbeit wurde am 29. Oktober 2026 bei arXiv eingereicht (arXiv:2610.40754, cs.CV).
Für Entwickler von 3D- und Animationspipelines zeigt DyCraft, dass die Aufteilung langhorizontiger Generierung in unabhängig verifizierbare Start- und Endzustände physische Verletzungen stärker eindämmt, als einen Agenten die gesamte Animat...
OpenAI stellt LifeVal vor, einen Benchmark für KI bei Alltagsaufgaben
OpenAI stellt LifeVal vor, einen Benchmark, der misst, wie gut KI Menschen bei Alltagsaufgaben unterstützt, von der Suche nach Kinderbetreuung über Finanzverwaltung bis hin zu Behördendokumenten.
- LifeVal ist ein von OpenAI vorgestellter Benchmark.
- Er misst, wie gut KI Menschen bei der Erledigung von Alltagsaufgaben unterstützt.
- Beispielaufgaben umfassen die Suche nach Kinderbetreuung, Finanzverwaltung und Behördendokumente.
Für KI-Entwickler verschiebt LifeVal die Evaluierung hin zu realen Aufgaben wie Kinderbetreuung, Finanzen und Behördendokumenten und zeigt, wo gezielte Modellverbesserungen nötig sind.
Qodo bringt Kontext in die KI-Code-Review mit Codex
Qodo bringt Unternehmenswissen und Coding-Standards in Codex ein und hilft Entwicklern, P0-Probleme repositoryübergreifend zu erkennen, bevor sie einen Pull Request öffnen.
- Qodo bringt Unternehmenswissen und Coding-Standards in Codex ein.
- Die Integration hilft Entwicklern, P0-Probleme repositoryübergreifend zu erkennen, bevor sie einen Pull Request öffnen.
Für KI-Entwickler verschiebt das Einbringen organisationsspezifischen Kontexts in Code-Review-Agenten die Prüfung von generischen Checks hin zum Erkennen schwerwiegender Probleme vor dem PR.
Neues Paper von Yann LeCun (66) fordert Scaling Law heraus: 109 Mio. Parameter schlagen 72 Mrd.
Yann LeCun hat ein neues Paper veröffentlicht, das berichtet, dass ein Modell mit 109 Mio. Parametern ein Modell mit 72 Mrd. Parametern übertroffen hat, und damit die Scaling-Law-Annahme herausfordert, dass größere Modelle die Welt notwendigerweise besser verstehen.
- Das Paper berichtet, dass ein Modell mit 109 Mio. Parametern ein Modell mit 72 Mrd. Parametern übertroffen hat.
- Das Paper wurde von dem 66-jährigen Yann LeCun veröffentlicht.
- Das Paper fordert die Scaling Law heraus und argumentiert, dass größere Modelle die Welt nicht notwendigerweise besser verstehen.
Für KI-Entwickler legt dieses Paper nahe, dass Parameterumfang nicht der einzige Bestimmungsfaktor für Weltverständnis ist und Architektur und Trainingsziele wichtiger sein können.