AI FRONTIER
Signals worth understanding before they become obvious.
Neues OpenRouter-Modell: LiquidAI LFM3-1.7B
LiquidAIs LFM3-1.7B ist jetzt bei OpenRouter gelistet: ein kompaktes Textmodell mit 1,7 Mrd. Parametern und 262.144-Token-Kontext, nachtrainiert für Agenten, Tool-Aufrufe und strukturierte Ausgaben.
- 1,7 Mrd. Parameter, ein Kontextfenster von 262.144 Tokens und Unterstützung für bis zu 8.192 Completion-Tokens.
- Preis von 0,08 USD pro 1 Mio. Eingabe-Tokens und 0,20 USD pro 1 Mio. Ausgabe-Tokens, Cache-Lesevorgänge zu 0,02 USD pro 1 Mio. Tokens.
- Akzeptiert tools und tool_choice für Funktionsaufrufe und unterstützt strukturierte Ausgaben über ein JSON-Schema in response_format.
- Die OpenRouter-Seite nennt ein Veröffentlichungsdatum vom 6. November 2026 und weist darauf hin, dass Prompts und Ausgaben gespeichert und zum Training von Liquid-Modellen verwendet werden können.
Für Agenten- und Structured-Output-Workloads, die langen Kontext zu niedrigen Token-Kosten benötigen, ist LFM3-1.7B eine kleine gehostete Option zum Testen, sofern die Datenaufbewahrungsbedingungen und der auf der Seite angegebene Durchsatz...
Palette: Ein kleines Modell lernt, Decks in deiner Designsprache zu bauen
IBMs Research Palette teilt die Folienerstellung in eine Designer- und eine Coder-Rolle auf, die ein einzelner LoRA-Adapter auf einem 20B-Modell bedient, und belegt Platz eins in zwei von drei PresentBench-Domänen.
- Palette hat ein 20B-Modell feinabgestimmt; die Trainingsdaten folgen der IBM Design Language, wobei der Designer ein strukturiertes JSON-Brief schreibt und der Coder pptxgenjs-JavaScript.
- Da der Kontext jeder Folie vor dem Schreiben von Code festgelegt wird, laufen die Coder-Aufrufe parallel, was die Codierungsphase etwa 6–7× schneller macht.
- Das Training nutzte LoRA statt vollständiger Feinabstimmung; Coder-Beispiele sind etwa 5× länger als Designer-Beispiele, weshalb Designer-Beispiele 5× überabgetastet wurden.
- Im Drei-Domänen-Mittel von PresentBench liegt Palette mit 59,7 auf Platz zwei gegenüber NotebookLMs 60,8, also 1,1 Punkte dahinter.
Für Teams mit eigener Designsprache lässt ein verifizierbarer Render-Checker plus begründungstragende synthetische Daten ein selbst gehostetes 20B-Modell an Frontier-Ausgaben heranreichen.
nvidia veröffentlicht Nemotron-3.5-Transcribe-30B-A4B, ein Offline-Sprachmodell für 40 Sprachen
NVIDIA hat Nemotron-3.5-Transcribe-30B-A4B auf Hugging Face veröffentlicht, ein Offline-Sprach- und Audiomodell mit offenen Gewichten für Transkription in 40 Sprachen, Aufnahmen bis zu einer Stunde und 65.536 Token Kontext, dessen Mixture-of-Experts-Architektur etwa 4,3B Parameter inklusive Audio-Encoder aktiviert.
- 34B Parameter insgesamt, davon etwa 4,3B aktiv, einschließlich eines Audio-Encoders mit etwa 800M Parametern und etwa 3,5B aktiven Parametern im Sprach-Backbone
- 65.536 Token Kontext und Aufnahmen bis zu einer Stunde; Gewichte in BF16 veröffentlicht, mit FP8- und NVFP4-quantisierten Varianten
- Berichtete mittlere WER von 4,71 auf 9 öffentlichen Sets des Open ASR Leaderboard, gegenüber 4,94 beim nächstbesten Open-Weight-Modell Qwen3-ASR-1.7B
- Lizenz OpenMDW-1.1 und Bereitstellung erfordert 1× H100 80 GB; Veröffentlichungsdatum ist der 28. Oktober 2026
Für Entwickler von Sprachanwendungen bietet dieser Open-Weight-Checkpoint kommerziell nutzbare Offline-Transkription in 40 Sprachen, doch die Kapazitätsplanung muss 1× H100 80 GB pro Bereitstellung berücksichtigen.
Granite Switch 4.1.1 — Modelle aktualisieren wie Software
Granite Switch 4.1.1 ist ein Patch-Release, das vollständig abwärtskompatibel zu 4.1 ist und keine Migration erfordert. Es aktualisiert das Granite Speech ASR-Modell auf mehrsprachige Spracherkennung in 10 Sprachen mit nativer Zeichensetzung und Großschreibung sowie den Decision-Adapter in granitelib-core; außer dem Tr...
- Das Patch-Release ist vollständig abwärtskompatibel zu 4.1 und erfordert keine Migration.
- Das aktualisierte Granite Speech ASR-Modell deckt Spracherkennung in 10 Sprachen mit nativer Zeichensetzung und Großschreibung ab.
- Der aktualisierte Decision-Adapter in granitelib-core zeigt verbesserte Gesamtleistung auf dem Jev Decision Index-Testsatz.
- Außer dem Training des neuen ASR-Modells und des Decision-Adapters wurde nichts neu berechnet, und das Basismodell bleibt unverändert.
Für Entwickler ermöglichen modulare Adapter, Modell-Updates wie Software-Patches auszuliefern: die neuesten Adapter kombinieren und bereitstellen, ohne das Basismodell neu zu trainieren.
Lügen KI-Modelle? Forscher stellten neun führenden großen Modellen 1.532 Fallen
Forscher stellten für neun führende große Modelle 1.532 Testfallen auf, um zu untersuchen, ob die Modelle lügen.
- Getestet werden neun führende große Modelle.
- Insgesamt wurden 1.532 Fallen aufgestellt.
Für KI-Entwickler kann diese Art der auf Täuschung ausgerichteten Testgestaltung als Referenzrichtung zur Bewertung der Vertrauenswürdigkeit von Modellen dienen.
KI-Agenten versuchten, offene Fragen zu erforschen, und keiner erreichte den Expertenstandard
Ein Paper-Abstract berichtet, dass KI-Agenten versuchten, offene Fragen zu erforschen, und dass keiner den Expertenstandard erreichte.
- Das Paper-Abstract gibt an, dass KI-Agenten versuchten, offene Fragen zu erforschen.
- Das Paper-Abstract gibt an, dass keiner den Expertenstandard erreichte.
Für Entwickler von Recherche-Agenten zeigt das Abstract, dass die aktuelle Leistung bei offenen Fragen unter dem Expertenstandard liegt.