Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-13
01
testdeveloperopen source unlock

LLMON: Eine LLM-native Markup-Sprache, jetzt in Granite 4.1 3B und 8B

IBM hat zwei experimentelle Vorschau-Modelle veröffentlicht, granite-4.1-3b-LLMON-preview und granite-4.1-8b-LLMON-preview, die von Granite 4.1-Basismodellen abgeleitet und darauf trainiert sind, LLMON-markierten Text zu lesen und zu erzeugen, der Anweisungen von Daten trennt, um indirekte Prompt-Injection abzuwehren.

  • Im OPI-Benchmark vermieden LLMON-Modelle 47 % mehr Angriffe als das beste getestete Frontier-Modell und 95 % mehr als das beste Open-Source-Modell.
  • LLMON definiert sechs Begrenzungszeichen, die als reservierte einzelne Tokens im Tokenizer installiert sind.
  • Das Training nutzte fünf aufeinanderfolgende GRPO-Stufen, gefolgt von einer abschließenden DPO-Stufe auf tausend On-Policy-Präferenzpaaren.
  • Die Modelle sind eine experimentelle Vorschau, bereit für Erkundung und Evaluierung, aber nicht für die Produktion.

Entwickler von RAG- oder Tool-Calling-Agenten können die LLMON-Vorschauen einsetzen, um vergleichbare allgemeine Leistung wie Granite 4.1 Instruct mit stärkerer Prompt-Injection-Resistenz zu erhalten.

Hugging Face Blog
02
testcreativeincremental

Fine-Tuning-Leitfaden für TRELLIS.2-3D-Generierungsmodelle: LoRA-Adapter und Container

Hugging Face veröffentlicht Fine-Tuning-Skripte und Container für TRELLIS.2, die LoRA-Adapter nur auf dem sparse-structure flow DiT und dem shape flow DiT trainieren, um die Sohlengeometrie bei 188 GSO-Schuhobjekten zu verbessern.

  • Das Experiment verwendet 188 Schuhobjekte aus GSO, das insgesamt 1.030 Objekte enthält.
  • Über beide Ziel-DiTs werden etwa 9,3 Millionen Adapterparameter trainiert: Rang 8 in den Attention- und MLP-Schichten des sparse-structure flow DiT und Rang 16 in den Attention-Schichten des shape flow DiT.
  • Der Vorverarbeitungscontainer rendert 16 Ansichten pro Objekt mit Blender, und der vollständige Lauf für 188 Objekte dauerte etwa 1 Stunde auf einem a100-large-Job (80 GB).
  • Der Trainingscontainer bietet die Konfigurationen ss und shape; Beispiele setzen max_steps=3000 und i_save=500, und Adapter-Checkpoints können auf den Hub hochgeladen werden.

Für kleine 3D-Datensätze können Entwickler den texture flow DiT einfrieren und LoRA nur auf formbezogene DiTs anwenden, um Geometriefehler mit begrenztem Rechenaufwand gezielt zu korrigieren.

Hugging Face Blog
03
watchresearchcapability unlock

Google Research stellt wearable-basiertes CKM-Risikoprofil und personalisiertes Coaching-Framework vor

Google Research präsentiert ein untersuchungsbezogenes Machine-Learning-Framework, das passive Wearable-Signale in ein veränderbares coachbares Gesundheitsalter übersetzt, mit einem handlungsbedingten Weltmodell personalisierte 12-Wochen-„Was-wäre-wenn“-Gewohnheitsverläufe simuliert und auf Routine-Blutbiomarker erweit...

  • In einer verblindeten Head-to-Head-Studie mit 49 Teilnehmerprofilen und 490 gepaarten Bewertungen wählten Lifestyle-Coaches den kontrafaktisch fundierten Plan in 71,4 % der Bewertungen als besten Gesamtplan (p < 0,001).
  • Ärzte bewerteten 99,2 % der kontrafaktischen Pläne als innerhalb sicherer Trainingsintensitätsgrenzen und 97,6 % als korrekt bei physiologischen Aussagen.
  • Das multimodale CKM-Gesundheitsaltermodell wurde bei 819 WEAR-ME-Teilnehmenden evaluiert und kombiniert Wearable-Signale mit Cholesterin-zu-HDL-Verhältnis, eGFR und HOMA-IR.
  • Die Autoren geben an, dass die Evaluierungen offline mit retrospektiven Forschungskohorten durchgeführt wurden und die Modelle untersuchungsbezogene Forschungsprototypen und keine klinischen Diagnosewerkzeuge sind.

Für KI-Entwickler zeigt dies ein geschlossenes Schleifenmuster, bei dem ein Weltmodell kontrafaktische Verläufe erzeugt und ein Sprachmodell sie in umsetzbares Coaching übersetzt, validiert durch verblindete Expertenbewertung und klinische ...

Google Research
04
watchagentscapability unlock

Google Antigravity führt „Remote Agents“ ein, die AI-Agenten in der Cloud ausführen

Google Antigravity ergänzt eine Funktion namens „Remote Agents“, bei der AI-Agenten in der Cloud laufen und auch außerhalb der Arbeitszeit weiterarbeiten.

  • Die Funktion heißt „Remote Agents“, und die AI-Agenten laufen in der Cloud.
  • Laut Publickey arbeiten die AI-Agenten auch außerhalb der Arbeitszeit weiter.

Für Builder bedeutet das, dass cloud-gehostete Agenten die Ausführung über eine einzelne Sitzung hinaus ausdehnen, sodass Übergabe und Überwachung für unbeaufsichtigte Läufe ausgelegt sein müssen.

Publickey
05
watchresearchbenchmark jump

Studie: KI verkürzt die Suche nach Schwachstellen von neun Monaten auf 90 Stunden

Laut einer von All About SECURITY berichteten Studie verkürzte KI die Suche nach Schwachstellen von neun Monaten auf 90 Stunden.

  • Der Bericht gibt an, dass die Suchdauer nach Schwachstellen von neun Monaten auf 90 Stunden sank.
  • Quelle: All About SECURITY.

Für KI-Entwickler deutet diese berichtete Verkürzung darauf hin, dass KI-gestützte Schwachstellensuche Sicherheitsrecherche-Zeitpläne erheblich verkürzen kann.

All About SECURITY