H Company stellt Holo4 als Modellreihe für Agenten vor, die Software über grafische Oberflächen。
Grund für die Empfehlung: Die veröffentlichten Benchmarks und Ablaufprotokolle ermöglichen es, Leistung und Kosten von Holo4 bei längeren Computeraufgaben nachzuvollziehen.
Die Anleitung zeigt, wie sich in der GitHub Copilot App mit /create-canvas eine Oberfläche für einen eigenen Arbeitsablauf erstellen lässt. Die Beschreibung soll den Ablauf sowie die möglichen Aktionen von Nutzern und Agent festlegen. Beide können die Canvas anschliessend bearbeiten; sie lässt sich als Erweiterung speichern und erneut verwenden.
GitHub Copilot kann mit Canvases aufgabenspezifische Oberflächen statt eines Chats bereitstellen. Der Beitrag zeigt unter anderem eine Oberfläche zur Verwaltung lokaler Pakete und eine zur Arbeit mit SQLite. Ein weiteres Canvas unterstützt einen Entwicklungsablauf, bei dem ein Agent Prototypen vorbereitet und zur Prüfung vorlegt.
Google Research stellt vier Forschungsansätze für die automatische Erzeugung längerer。
GitHub Security Lab stellt mit Fuzzing Taskflow eine automatisierte Fuzzing-Pipeline für C/C++-Projekte vor. Sie erstellt Test-Harnesses。
Grund für die Empfehlung: Die Trennung von Entscheidungen des Agenten und Ausführung durch MCP-Werkzeuge zeigt einen konkreten Ansatz zur Automatisierung wiederkehrender Fuzzing-Arbeit.
GitHub hat die Copilot-Agentenlaufzeit mithilfe der Copilot-App und der CLI von TypeScript nach Rust migriert. Laut dem beteiligten Entwickler schrieben AI-Agenten den Grossteil der mehr als 800,000 Zeilen produktiven Rust-Codes; die Änderungen wurden über 128 Pull Requests schrittweise integriert. Die neue Laufzeit kann über eine C-ABI auch direkt in Anwendungen der sechs Copilot-SDK-Sprachen eingebettet werden; dieser Betriebsmodus ist derzeit optional.
Grund für die Empfehlung: Die schrittweise Migration zeigt, wie sich umfangreiche Änderungen bei laufender Entwicklung mit Tests und gestaffelten Releases absichern lassen.
Google Research stellt mit ToolGrad ein Verfahren vor。
Mistral AI beschreibt die Migration von 40,000 Zeilen Fortran 77 eines Reservoirsimulators nach C++ mithilfe von AI-Agenten. Zuerst entstand ein Testsystem für numerische Übereinstimmung。
Grund für die Empfehlung: Der Vergleich von drei Agenten-Workflows zeigt, weshalb numerische Vergleichstests und menschliche Freigaben bei dieser Fortran-Migration zentral waren.
Import AI 472 behandelt eine DeepMind-Studie über schummelnde Mathematik-Agenten。
Import AI 471 analysiert die Sorge über die Koordination von KI-Agenten beim Angriff auf OpenAI und Hugging Face sowie die neue KI-Erklärung der Five Eyes. Die fünf Staaten wollen den Zugang zu führenden Modellen für Sicherheitsaufgaben verbessern; Bill Gates fordert zudem eine beispiellose globale Reaktion auf KI.
Import AI 470 behandelt Maschinenrechte, die automatische Erzeugung von Trainingsumgebungen mit SPADE und bessere GPU-Kernels mit Hawkeye. Eine METR-Analyse sieht starke Beschleunigung bei der Suche nach Sicherheitslücken, geringere Effekte in der Mathematik und keine messbare Beschleunigung der KI-Forschung. SPADE verbessert in Spielumgebungen den Durchschnittswert von Qwen3-30B-A3B-Instruct-2507 auf 58.3.
Mistral stellt Agentic Search als Suchschicht vor, mit der KI-Systeme Informationen in komplexen Dokumenten suchen。
Grund für die Empfehlung: Der Vergleich mit einmaligem RAG zeigt, wann die Navigation in langen Dokumenten und über mehrere Quellen hinweg die Suche verbessert.
Import AI 469 behandelt Ansätze für KI in der Forschung, den RSI Simulator und Zuckerbergs Technologieskepsis. Der Benchmark DiG-bench prüft mit 70 Spielen。
Import AI 468 behandelt 23 politische Vorschläge zum Umgang mit automatisierter KI-Forschung。
Das Forschungsframework ABBEL lässt LLMs ihren Wissensstand laufend aktualisieren。
Forschende aus Berkeley skizzieren, wie sinkende Inferenzkosten Datensysteme für Agenten verändern könnten. Sie unterscheiden Systeme。