Google stellt Untersuchungen vor, in denen sein Ortsdatenmodell PDFM bestehende Verfahren für fünf Aufgaben der öffentlichen Gesundheit ergänzt. Das Modell fasst unter anderem Suchtrends。
Grund für die Empfehlung: Die fünf Untersuchungen zeigen, bei welchen Gesundheitsprognosen Ortsdaten bestehende Modelle ergänzen und wo ihr Zusatznutzen ausbleibt.
Google Research veröffentlicht einen Workshopbericht über Datenschutz und Sicherheit bei KI-Agenten。
GitHub stellt mit ReviewBench einen offenen Benchmark zur Bewertung von KI-Code-Review-Agenten bereit. Der Datensatz umfasst 219 Pull Requests aus 187 öffentlichen Repositories und 19 Sprachen; seine Verteilung orientiert sich an 103.9 Millionen GitHub-Pull-Requests. Senior Engineers stimmten bei der unabhängigen Prüfung der Befunde zu 96.6% mit ReviewBench überein.
Microsoft hat ThinkingBox entwickelt und über Hugging Face verfügbar gemacht: Der Test prüft gespeicherte Angaben statt nur die Antworten von KI-Agenten. In einem Beispiel schloss ein Agent ein Ticket zur verspäteten Lieferung, obwohl der Lieferfall noch ungeklärt war und das Ticket auf «wartend» stehen sollte. Die 507 künstlich erstellten Aufgaben werden je 20-mal geprüft; ein einmaliger Erfolg zeigt noch nicht, dass der Agent zuverlässig handelt.
Grund für die Empfehlung: Wer KI-Agenten Geschäftsvorgänge bearbeiten lässt, muss erkennen können, ob sie wiederholt die richtigen Angaben hinterlassen.
Google stellt ein auf Trusted Execution Environments gestütztes System für föderiertes Lernen vor。
ServiceNow CoreAI hat AutoSynthData entwickelt, um Schwächen von Unternehmensagenten in neue Trainingsaufgaben umzuwandeln. Das System vergleicht Fehler des Zielmodells mit Erfolgen eines stärkeren Modells und prüft, ob die erzeugten Aufgaben realistisch, lösbar und verlässlich bewertbar sind. Mit den Fortschritten des Zielmodells verschiebt sich der Schwerpunkt auf verbleibende Schwächen.
Ein bei Microsoft Research entwickeltes System prognostiziert Weltraumwetterrisiken für 66。
Google DeepMind stellt SynthID Bio vor, ein Verfahren zur Markierung KI-generierter Proteinsequenzen und vorhergesagter 3D-Strukturen. Labortests mit Proteinbindern für drei Zielproteine zeigten laut Unternehmen vergleichbare Bindungswerte wie bei Entwürfen ohne Markierung. Methodenpapier, Code und In-vitro-Daten werden veröffentlicht; Modellgewichte stellt das Unternehmen der Forschungsgemeinschaft bereit.
Grund für die Empfehlung: Die Markierung bleibt laut Labortests auch im hergestellten Protein nachweisbar. Das macht den Ansatz für die Prüfung synthetischer Entwürfe relevant.
Google Research stellt Diffusion Controller als Rahmenwerk vor。
Microsoft Research stellt Quine vor, ein experimentelles Forschungssystem mit einem multimodalen Weltmodell der Biologie und einer Verbindung zu wissenschaftlichen Werkzeugen。
Grund für die Empfehlung: Die Verbindung von Modellvorhersagen und Labortests zeigt am Beispiel von Bauchspeicheldrüsenkrebs, wie Quine die Auswahl von Wirkstoffen für weitere Versuche unterstützt.
ProvenanceGuard prüft nach der Antwort eines MCP-Agenten, ob jede Aussage durch die angegebene Quelle gedeckt ist. In einem medizinischen Test erkannte das System 138 von 139 Aussagen。
Google Research stellt vier Forschungsansätze für die automatische Erzeugung längerer。
NVIDIA und Forschungspartner haben vorhergesagte 3D-Strukturen von Proteinkomplexen aus mehr als 2.800 Viren in der AlphaFold Database veröffentlicht. Die Vorhersagen entstanden mit AlphaFold2 und einer mit NVIDIA BioNeMo optimierten Verarbeitung; NVIDIA veröffentlicht auch die BioNeMo Structure Prediction Pipeline. Rund 30% der hinzugefügten Proteininteraktionen sind laut Beitrag in der Protein Data Bank bislang nicht dokumentiert.
Grund für die Empfehlung: Die frei zugänglichen Strukturvorhersagen und die veröffentlichte Pipeline bieten Forschenden eine Grundlage, um Proteininteraktionen bislang wenig untersuchter Viren gezielter zu untersuchen.
Microsoft Research zeigt, dass die Auslagerung der KI-Inferenz auf Edge- oder Cloud-GPUs die Leistung und Akkulaufzeit von Robotern verbessern kann. In Tests mit mobilen Manipulationsaufgaben stiegen die Erfolgsraten; zudem stellt Microsoft ein Kubernetes-basiertes Werkzeug für die verteilte Inferenz vor.
Microsoft Research stellt mit RetroChimera ein Modell vor, das Synthesewege für kleine Moleküle vorhersagt. Es kombiniert die Vorschläge von R-SMILES 2 und NeuralLoc。
Google Research stellt MilleMiglia vor, einen C++-Generator für realistische Testfälle zur Optimierung von Transporten zwischen Verteilzentren. Er bildet unter anderem Umladungen und zeitliche Anschlüsse ab, ohne sensible Unternehmensdaten offenzulegen. Quellcode und Dokumentation sind auf GitHub verfügbar.
Google Research stellt ein Experiment vor, mit dem Lehrkräfte interaktive Lernsimulationen passend zu ihren Lernzielen erstellen können. Eine englischsprachige Sammlung umfasst über 30 KI-generierte und von Lehrkräften geprüfte Simulationen für MINT-Fächer. Schulen mit Google Workspace for Education können sich für ein Pilotprogramm anmelden; in einer ersten US-Studie bewerteten 12 Lehrkräfte die Qualität der Simulationen im Durchschnitt mit 8 von 10 Punkten.
Google Research beschreibt mit Retrieve-for-Train ein Verfahren。
Google Research stellt mit ToolGrad ein Verfahren vor。
Google DeepMind stellt AlphaGenome Atlas vor, eine Plattform mit Vorhersagen zu den molekularen Folgen von 9 Milliarden möglichen Einzelbuchstabenänderungen im menschlichen Genom. Forschende können Varianten mit dem AVI-Wert priorisieren und die vorhergesagten Effekte über ein kostenloses Webportal untersuchen. AlphaGenome ist nicht für die klinische Nutzung validiert oder zugelassen.
Grund für die Empfehlung: Der Atlas verbindet vorab berechnete Variantenfolgen mit einem Wert zur Priorisierung und Angaben zu den betroffenen molekularen Prozessen. Das kann die Auswahl von Varianten für gezielte Forschung erleichtern.
MindTopo prüft, ob multimodale Modelle topologische Beziehungen in Bildern erkennen und bei einer Folge von Handlungen erhalten oder verändern können. Die Aufgaben decken Kontinuität。
K-Search überträgt mit einer strukturierten Übersetzungsschicht Optimierungswissen aus CUDA-Kernels auf MLX-Kernels für Apple Silicon。
Das Forschungsframework ABBEL lässt LLMs ihren Wissensstand laufend aktualisieren。
GRASP soll die gradientenbasierte Planung mit gelernten Weltmodellen über längere Zeithorizonte robuster machen. Dazu optimiert der Ansatz virtuelle Zustände parallel über die Zeit。
SPEX und ProxySPEX identifizieren einflussreiche Wechselwirkungen in LLMs, ohne alle möglichen Kombinationen zu prüfen. SPEX nutzt gezielte Ablationen und Dekodierung。
Ein Forschungsansatz bewertet und optimiert Bildgebungssysteme anhand des Informationsgehalts ihrer verrauschten Messdaten. In vier Anwendungsbereichen sagte die Metrik die Leistung nachgelagerter Verfahren voraus; die damit optimierten Entwürfe erreichten das Niveau führender End-to-End-Methoden mit weniger Speicher- und Rechenaufwand.