Machine Learning und KI

Google Research erprobt KI-Agenten an Laborrobotern und in der Molekülentwicklung. Entscheidend sind überprüfte Roboterbefehle und Rückmeldungen aus echten Experimenten.

DeepSeek aktualisiert sein Coding-Modell und öffnet zugleich Search und Fetch für Entwickler. Was die Benchmarks, die API-Umstellung und die offenen Gewichte praktisch bedeuten.

Meta stellt die Gewichte von Muse Spark Open bereit. Das multimodale Modell ist für Coding-Agenten gedacht, benötigt aber erhebliche Rechenressourcen und unterliegt einer eigenen Lizenz.

Googles Deep Review ist nun öffentlich zugänglich. Der mehrstufige Prüfprozess soll Fehler und Lücken in Fachtexten finden – seine Ergebnisse brauchen weiterhin menschliche Kontrolle.

Google öffnet Gemini 4 Argon für die kostenpflichtige API. Für lange Aufgaben zählen vor allem die gemeinsame Tokengrenze, der mehrstufige Long-Decode-Modus und neue Kostenregeln.

Anthropic stellt mit Haiku 5.5 ein schnelleres Modell für viele kleine Aufgaben vor. Neue Preisstufen und ein anderer Tokenizer machen die Migration anspruchsvoller, als der Listenpreis vermuten lässt.

Mistral stellt sein bislang größtes multimodales Modell als öffentliche API-Vorschau bereit. Für den Eigenbetrieb müssen Unternehmen noch warten – und die ersten unabhängigen Messungen zeigen einen deutlichen Kostenunterschied zu vergleichbaren Modellen.

ServiceNow erzeugt aus Fehlern von KI-Agenten neue, überprüfbare Trainingsaufgaben. In zwei Unternehmenssimulationen verbessert das Verfahren ein Gemma-Modell – unter klaren Grenzen.

Microsoft und Hugging Face machen ThinkingBox über OpenEnv zugänglich. Der Benchmark bewertet nicht nur Agentenantworten, sondern auch den Zustand, den sie in Geschäftssystemen hinterlassen.